| Source DB | nl |
|---|
| Institution | KU Leuven |
|---|
| Code | b373c217-c1c9-4c25-85e4-01740c318501 |
|---|
| Unit | 3f010436-c5b1-438c-8066-4dae396d238f
|
|---|
| Begin | 4/6/2021 |
|---|
| End | 4/6/2025 |
|---|
| title fr |
|
|---|
| title nl | Optimalisatie van het borstkanker screening programma via een dynamische ‘big data’ analyse van de Quantitative Imaging Biomarkers (QIBs)
|
|---|
| title en | Improving breast cancer screening through dynamic big data analytics of Quantitative Imaging Biomarkers (QIBs)
|
|---|
| Description fr |
|
|---|
| Description nl | Om een persoonlijke risicoanalyse aan te bieden voor de vrouwen die deelnemen aan het borstkanker-screeningsprogramma, kan er gebruik gemaakt worden van Quantitative Imaging Biomarkers (QIBs). Dit zijn zelfontworpen beeldvormingsfilters die toelaten om specifieke patronen in de beelden van het borstonderzoek te herkennen. In plaats van een enorme inspanning te doen om deze zelfontworpen filters te verbeteren, kan deze training machinaal uitgevoerd worden via Convolutional Neural Networks (CNNs). De input van deze studie bestaat uit grote aantallen beelden van verschillende patiënten, en meer specifiek ook uit beelden die op verschillende tijdstippen werden gemaakt. Om deze informatie in de tijd op te nemen in de studie, zal een unieke Neural Network-architectuur ontwikkeld worden. Het doel is om het risico op borstkanker nauwkeuriger in the schatten en daarmee het screeningsproces te verbeteren.
|
|---|
| Description en | In order obtain a risk assessment for a person from a breast cancer screening, Quantitative Imaging Biomarkers (QIB) can be used. They are hand-crafted imaging filters that allow for the detection of specific patterns in an image of a breast scan. Instead of dedicating a huge effort toward improving these hand-crafted filters, the training of Machine-learned filters via a Convolutional Neural Network might allow for an improved screening. The data consists not only of the different images of different patients, but also of different time points for a given patient. To incorporate this time data, a unique Neural Network architecture will be developed with the goal of accurately assessing the risk for breast cancer and therefore improving the screening process.
|
|---|
| Qualifiers | - Machine Learning - |
|---|
| Personal | Wagner Tobias, Bosmans Hilde |
|---|
| Collaborations | |
|---|
