Machine learning voor classificatie van abnormaal hersenweefselprogressie gebaseerd op multi-parametrische Magnetic Resonance data

In vivo magnetische resonantie imaging (MRI) is één van de grote doorbraken in de geneeskunde en biomedische wetenschappen. Recent zijn conventionele MRI technieken uitgebreid met verschillende geavanceerde magnetische resonantie (MR) modaliteiten die niet enkel toegespitst zijn op de morfologie van een in beeld gebracht orgaan, maar ook op de functionele eigenschappen. Voorbeelden hiervan zijn: MR spectroscopie/MR spectroscopie beeldvorming onthult metabolische informatie, perfusie MRI onthult microvascularisatie, diffusie MRI onthult weefselsamenstelling, etc. Conventionele MRI technieken hebben in de neuroradiologie een tamelijk slechte specificiteit betreffende het stellen van een diagnose, prognose en opvolging van de behandeling van hersentumoren. Verschillende geavanceerde MRI technieken hebben hun potentieel getoond voor hersentumor-gerelateerde toepassingen. Er is echter een grote noodzaak aan geïntegreerde dataverwerkingsmethoden die de sterktes and complementariteit van de beschikbare geavanceerde MR technieken combineren, zodat er een reële impact is voor de dagdagelijkse klinische praktijk. Dit doctoraatswerk zal classificatiemethoden ontwikkelen die kunnen omgaan met multi-modale MR data (in het bijzonder anatomische MRI, spectroscopie, diffusie en perfusie MRI), en ze toepassen voor de diagnose en opvolging van hersentumoren en multiple sclerose. Eén van de hoofddoelen is om enkele onopgeloste problemen, die voorkomen bij hersentumor-gerelateerde toepassingen, op te lossen, bv. niet-invasieve tumor deeltypering en gradering, voorspelling van tumorinfiltratie, of het terugkeren van tumoren na behandeling. Om deze problemen op te lossen moeten verschillende dataverwerkingsstappen ontworpen en geoptimaliseerd worden: de berekening van relevante kenmerken van de data, het op elkaar afstemmen van de verschillende afbeeldingsresoluties van de verschillende modaliteiten, multi-modale datafusie en classificatie. De gebruikte multi-modale MR data wordt ter beschikking gesteld door UZ Leuven. De data komt van patiënten met onbehandelde hersentumoren (lage en hoge graad gliomen; metastase), alsook longitudinale opvolging van glioompatiënten die een nieuwe behandelingsaanpak ondergaan, namelijk dendritische cell therapie. Data van multiple sclerose patiënten is beschikbaar dankzij een samewerking met Université Claude Bernard Lyon I.