| Source DB | nl |
|---|
| Institution | KU Leuven |
|---|
| Code | 94ddbb95-c246-4d9f-be60-7bcfa32b7249 |
|---|
| Unit | 3f010436-c5b1-438c-8066-4dae396d238f
|
|---|
| Begin | 11/18/2020 |
|---|
| End | 11/18/2024 |
|---|
| title fr |
|
|---|
| title nl | Ontwikkeling van deep learning en radiomics technieken voor contraststof gebaseerde mammografie: het gebruik van in silico testen met synthetische data om zeldzame kankers ook te kunnen incorporeren
|
|---|
| title en | Development of deep learning and radiomics techniques for contrast enhanced mammography: in silico testing with synthetic images to encompass less common cancer subtypes
|
|---|
| Description fr |
|
|---|
| Description nl | De moeilijkheid in het detecteren en/of karakteriseren van minder vaak voorkomende borstkanker-subtypes op basis van medische beelden is al lang bekend. De combinatie van ontwikkelingen in x-ray beeldvorming en artificiële intelligentie (AI) openen nieuwe mogelijkheden voor dit probleem. Dit project zal focussen op de bouw en validatie van een gecombineerde deep learning - radiomics oplossing voor contrast enhanced mammography (CEM). Deze nieuwe tool zal hulp bieden bij het beslissen over detectie en karakterisering gebruik makend van kwantitatieve patronen die zijn ontdekt door CEM. Het grote aantal beelden dat nodig is voor het trainen van AI modellen is een uitdaging, zeker voor een nieuwe techniek waarbij uitgebreide klinische onderzoeken ontbreken. Onze hypothese is dat deze data-armoede verholpen kan worden door synthetische, virtuele gevallen te creëren, waaronder in het bijzonder complexe en minder vaak voorkomende kanker-subtypes. Deze techniek van In Silico Clinical Trials zal gebruikt worden voor de ontwikkeling en validatie van AI modellen. Tegelijkertijd zullen eReaders worden afgestemd om menselijke prestaties te voorspellen. Dit maakt een tijdsefficiënte validatie van de AI modellen mogelijk voor verschillende testomstandigheden en zal tonen waar AI de grootste impact heeft betreffende kostenefficiëntie. Dit kan bewijs leveren voor de rol van CEM bij het radiologische onderzoek en de inhoud van kankerinformatie verhogen.
|
|---|
| Description en | The difficulty of detecting and/or characterizing less common breast cancer subtypes from medical images has long been recognized. The combination of advances in x-ray imaging and artificial intelligence (AI) open up new avenues for this problem. This project will build and validate a combined deep learning and handcrafted radiomics solution for contrast enhanced mammography (CEM). The new tool will offer decision support for detection and characterization using the quantitative perfusion patterns uncovered by CEM. The large number of training images required is especially challenging for a new technique, where large clinical trials are absent. We hypothesize that data poverty can be overcome with the creation of an abundant amount of synthetic, virtual cases, including in particular difficult and less common cancer subtypes. This specific data enrichment technique of “In Silico Clinical Trials” will be built for current AI development and validation. In parallel, eReaders (or model observers) will be tuned to predict human performance with the same test sets. This will allow time efficient validation of AI development for several dedicated (virtual) test conditions and show where AI will have the largest impact (cost effectiveness). This may provide evidence for the role of CEM in the radiological work-up and increase cancer information content.
|
|---|
| Qualifiers | - Breast cancer - Deep learning - GAN - In silico clinical trials - Synthetic images - |
|---|
| Personal | Van Camp Astrid, Bosmans Hilde |
|---|
| Collaborations | |
|---|
