Forskere udvikler dyb læringsteknik til at identificere risikoanatomi i CT-scanninger

Strålebehandling er en af ​​de mest udbredte kræftbehandlinger, men en ulempe ved proceduren er, at den kan forårsage sideskader på sundt væv i nærheden af ​​kræftvækst. Identifikation af risikoorganer via CT-scanninger er en vanskelig og arbejdskrævende proces, men UCI dataloger og forskere fra andre institutioner har udviklet en automatiseret teknik til at udføre denne funktion ved hjælp af en deep-learning algoritme. Deres arbejde blev udgivet for nylig i Nature Machine Intelligence .

"Ved at bruge vores model, det er muligt at afgrænse en hel scanning på få sekunder, en opgave, der ville tage en menneskelig ekspert over en halv time, " sagde medforfatter Xiaohui Xie, UCI professor i datalogi. "På et datasæt med 100 CT-scanninger, vores dybe læringsmetode opnåede en gennemsnitlig lighedskoefficient på mere end 78 procent, en væsentlig forbedring i forhold til analyser udført af stråleonkologer."

Forskerne fokuserede på hoved og nakke til deres undersøgelse på grund af de komplekse anatomiske strukturer og tætte fordeling af organer i denne del af kroppen. Også, utilsigtet bestråling af følsomt væv i dette område kan føre til uønskede bivirkninger såsom besvær med at åbne munden, forringelse af syn og hørelse, og kognitiv svækkelse. Xie sagde, at succesen med hans teams tilgang kan tilskrives modellens to-trins design.

Først, systemet identificerer områder, der indeholder vitale organer, og så udtrækker den billedtræk fra disse fokusområder. "Vores dybtlærende neurale netværk forbedrer i høj grad evnen til at afgrænse anatomier selv med CT-scanninger med lav kontrast, " sagde Xie. "Og opsætningen er mere beregningsmæssigt effektiv end andre metoder, gør det muligt at gøre det med flere standardniveauer af grafikprocessorhukommelse. Dette betyder, at teknikken lettere kan implementeres i faktiske klinikker." Hans samarbejdspartnere var fra Kinas Shanghai Jiao Tong University School of Medicine og DeepVoxel Inc. i Costa Mesa.