Analiza medicinskih slik s strojnim učenjem za napovedovanje poteka možganskih bolezni in učinkovitosti terapije (J2-2500)

Splošni podatki

Oznaka
Naslov
Analiza medicinskih slik s strojnim učenjem za napovedovanje poteka možganskih bolezni in učinkovitosti terapije
Obdobje
1. 9. 2020 -- 31. 8. 2023
Velikost
1,80 FTE
Aktivnosti
2.06 - Tehnika / Sistemi in kibernetika / Medicinska informatika

Povzetek

Projekt direktno naslavlja prioriterno področje Raziskav nevrodegenerativnih bolezni (JPND), ki ga je določila Javna agencija za raziskovalno dejavnost Republike Slovenije (ARRS). V projektu se bomo osredotočili na bolezen multiple skleroze (MS), kar ne bo vplivalo na splošnost rezultatov, saj MS vključuje dve patologiji prisotni tako v možgansko žilnih boleznih, Alzheimerjevi in drugih demencah, depresiji, shizofreniji in bipolarni motnji. Ti dve patologiji sta žariščne poškodbe možganskega tkiva ali lezije in progresivna izguba nevronov oziroma nevrodegeneracija. Obetavna značilnost je, da se tako lezije kot nevrodegeneracija pojavita od nekaj mesecev pa celo do nekaj let prej kot pa z boleznijo povezani klinični znaki. Magnetno resonančna (MR) tomografija je najbolj občutljiva metoda slikanja mehkega tkiva, zato se precej uporablja za vrednotenje normalnega možganskega tkiva in zaznavanje patoloških lezij. Na podlagi MR slikanja se lahko akumulacijo lezij in nevrodegeneracijo kvantitativno opredeli in vivo. To je tudi razlog, da se z informacijami bogate MR slike glave vedno pogosteje uporabljajo v velikih kliničnih študijah, naprimer, pri testiranju novil zdravil in terapij se iz MR slik izluščene meritve uporabljajo kot nadomestni pokazatelji kliničnega izida zdravljenja. Na ta način se pohitri razvoj novih zdravil in s tem manj izpostavlja v študijo vključene bolnike. V kliničnih študijah se izvaja primerjave med skupinami bolnikov, medtem ko se pri kliničnem delu srečamo s posameznimi bolniki in se zato v študijah uporabljane MR meritve ali slikovni biomarkerji še ne uporabljajo rutinsko. Glavne ovire so visoka variabilnost (subjektivne) vizualne ocene MR slik in visoka variabilnost v kakovosti rutinske MR preiskave. Obetavna tehnična rešitev, ki bi lahko omogočila objektivne in zanesljive kvantitativne meritve je računalniška analiza MR slik. V fokusu tega projekta bo analiza MR slik z naprednimi tehnikami strojnega učenjem za razvoj točnih, interpretabilnih in zanesljivih napovednih modelov, ki bodo naslavljali potrebo po objektivni prognozi poteka bolezni in oceni učinkovitosti zdravljenja pri bolnikih z MS in/ali drugimi nevrogenerativnimi boleznimi. Predlagani projekt ima 8 predvidenih rezultatov: (1) zajem bogato označenih MR slik glave in hrbtenjače in (2) pridružena zbirka kliničnih, laboratorijskih meritev, oceno drže, ravnotežja, itd. Za MR slike zajete s kliničnim protokolom bo razvit (3) postopek avtomatske zaznave MR sekvence in ocene kvalitete slik ter (4) postopek izboljšave kakovosti na osnovi učenja nasprotniških nevronskih mrež. Sledijo (5) izločeni zgoščeni opisi MR slik na osnovi razgradnje možganov in hrtenjače, značilnic teksture in oblike, in preslikav z avtokodirniki. Nato bodo (6) na osnovi izločenih značilnic in izboljšanh MR slik razviti napovedni modeli, s poudarkom na interpretabilnosti in zanesljivosti. Poleg (7) pričakovanih odmevnih znanstvenih publikacij je osrednji cilj (8) razvoj, integracija in prospektivno vrednotenje sistema za podporo odločanju pri zdravljenju bolezni MS, ki bo temeljil na naprednih napovednih modelih in uporabi MR slik zajetih po standardnem kliničnem protokolu. Preliminarni rezultati kažejo, da je z analizo MR slik možno zagotoviti optimalno zdravljenje povprečno v roku 1,2 leta, pri uporabi le kliničnih izidov pa v roku 3,9 let. Običajno je klinični izid stopnja prizadetosti po lestvici EDSS ali prisotnost zagonov bolezni. Z iskanjem optimalnih napovednih modelov kliničnih izidov iz slik tudi pričakujemo, da bomo natančno opredelili nekatere nejasne povezave med značilnostmi MR slik in kliničnimi izidi pri bolnikih z MS. Poleg jasnega doprinosa za posameznega bolnika bo izboljšano klinično upravljanje pripomoglo tudi k zmanjšanju visokih direktnih in indirektnih socioekonomskih stroškov povezanih z zdravljenjem bolnikov z MS.

Raziskovalci

Faze projekta in njihova realizacija

Delovni paketi (DP)
DP I
Zajem, označevanje in urejanje slik ter podatkov
DP II
Predobdelava slik s strojnim učenjem
DP III
Izločanje značilnic s strojnim učenjem
DP IV
Napovedni model s strojnim učenjem
DP V
Klinična translacija in objava rezultatov
2020
Zajem slik možganov in hrbtenjače (DP I)
Dokončano
Identifikacija MR sekvence (DP II)
Dokončano
Izboljšava slik z nasprotniškim učenjem(DP II)
Dokončano
2021
Kontrolni zajem na istem in različnih skenerjih. (DP I)
Dokončano
Označevanje in obrisovanje slik (DP I)
Dokončano
Zbiranje in urejanje kliničnih izidov (DP I)
Dokončano
Izboljšava slik z nasprotniškim učenjem (DP II)
Dokončano
Ocena kakovosti slik (DP II)
Dokončano
Parcelacija slik možganov (DP III)
Dokončano
Razgradnja patoloških lezij (DP III)
Dokončano
Izločanje značilnic teksture in oblike (DP III)
Dokončano
Izločanje značilnic s preslikavami (DP III)
Dokončano
Napovedni modeli na osnovi značilnic (DP IV)
Dokončano
Napovedni modeli na osnovi slik (DP IV)
Dokončano
Poročanje o rezultatih in znanstvene objave (DP V)
Dokončano
2022
Kontrolni zajem na istem in različnih skenerjih (DP I)
Dokončano
Označevanje in obrisovanje slik (DP I)
Dokončano
Zbiranje in urejanje kliničnih izidov (DP I)
Dokončano
Napovedni modeli na osnovi značilnic(DP IV)
Dokončano
Napovedni modeli na osnovi slik (DP IV)
Dokončano
Večnivojski združeni napovedni modeli (DP IV)
Dokončano
Zasnova modela za lažjo interpretacijo (DP IV)
Dokončano
Zasnova modela za zanesljivost (DP IV)
Dokončano
Napovedovanje poteka bolezni MS (DP V)
Dokončano
Napovedovanje učinkovitosti terapije (DP V)
Dokončano
Sistem za podporo odločanju (DP V)
Dokončano
Poročanje o rezultatih in znanstvene objave (DP V)
Dokončano
2023
Napovedovanje učinkovitosti terapije (DP V)
V teku
Sistem za podporo odločanju (DP V)
V teku
Poročanje o rezultatih in znanstvene objave (DP V)
V teku

Bibliografski zapisi

1.
Lara Dular, Gregor Brecl Jakob, Lina Savšek, Jožef Magdič, Bojan Rojc, Žiga Špiclin: Napovedovanje kliničnega poteka multiple skleroze iz magnetnoresonančnih slik: predhodni rezultati raziskave. Medicinski razgledi, 62:(S1):51-57, 2023
2.
Matija Kosin: Povečanje ločljivosti magnetno resonančnih slik z generativnimi nevronskimi mrežami. Magistrska naloga, Univerza v Ljubljani, Fakulteta za elektrotehniko (mentor: Žiga Špiclin), 2021 [COBISS-ID:79977731 ]
3.
Lara Dular, Žiga Špiclin: Mixup augmentation improves age prediction from T1-weighted brain MRI scans. 5th International Workshop on Predictive Intelligence in Medicine - PRIME 2022, v povezavi z 25th International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2022, Lecture Notes in Computer Science vol. 13564, pp. 60-70, 2022 [COBISS-ID:125058819 ] [doi:10.1007/978-3-031-16919-9_6 ]
4.
Lara Dular, Žiga Špiclin: Improving across dataset brain age predictions using transfer learning. 4th International Workshop on Predictive Intelligence in Medicine - PRIME 2021, v povezavi z 24th International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2021, Lecture Notes in Computer Science vol. 12928, pp. 243-254, 2021 [COBISS-ID:93994243 ] [doi:10.1007/978-3-030-87602-9_23 ]
5.
Žiga Bizjak, Franjo Pernuš, Žiga Špiclin: Deep shape features for predicting future intracranial aneurysm growth. Frontiers in Physiology, 12:644349, 2021 [COBISS-ID:69012739 ] [doi:10.3389/fphys.2021.644349 ]
6.
Martin Žukovec, Lara Dular, Žiga Špiclin: Modeling multi-annotator uncertainty as multi-class segmentation problem. 7th International Brain Lesion Workshop - BrainLes 2021, v povezavi z 24th International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2021, Lecture Notes in Computer Science vol. 12962, pp. 112-123, 2022 [COBISS-ID:125030403 ] [doi:10.1007/978-3-031-08999-2_9 ]
7.
Stefan Nenner, Ashkan Khakzar, Moiz Sajid, Mahdi Saleh, Žiga Špiclin, Seong Tae Kim, Nassir Navab: Spatio-temporal learning from longitudinal data for multiple sclerosis lesion segmentation. 6th International Brain Lesion Workshop - BrainLes 2020, v povezavi z the 23rd International Conference on Medical Image Computing and Computer Assisted Intervention - MICCAI 2020, Lecture Notes in Computer Science vol. 12658, pp. 111-121, 2021 [COBISS-ID:147363843 ] [doi:10.1007/978-3-030-72084-1_11 ]
8.
Hennadii Madan, Rok Berlot, Nicola J. Ray, Franjo Pernuš, Žiga Špiclin: Practical priors for Bayesian inference of latent biomarkers. IEEE Journal of Biomedical and Health Informatics, 24(2):396-406, 2020 [COBISS-ID:12721492 ] [doi:10.1109/JBHI.2019.2945077 ]