Automatische data-gedreven on-line detectie en karakterisatie van letsels in endoscopie met behulp van deep learning.

Het screenen voor colorectale kanker met endoscopie behelst het detecteren van de aanwezigheid van polypen en het karakteriseren ervan om het vereiste klinische traject te bepalen. Afhankelijk van het type polyp, zal de endoscopist beslissen om de polyp al dan niet te resecteren, of al dan niet histopathologische analyse ervan nodig is en of verdere nabije opvolging van de patiënt noodzakelijk is. Aangezien polypen niet steeds opgemerkt worden tijdens endoscopie en het type polyp (en dus de mate van maligniteit) moeilijk visueel te karakteriseren is in endoscopische beelden, zou een nauwkeurig automatisch systeem voor polyp detectie en classificatie de mortaliteit en de kost van colorectale kanker aanzienlijk kunnen verkleinen. De nauwkeurigheid van de huidige systemen is daarvoor nog ontoereikend. Het doel van dit project is om een automatisch systeem te ontwikkelen voor detectie en karakterisatie van polypen dat bruikbaar is on-line, in real time, en dat voldoet aan de huidige klinische standaarden. Om dit doel te bereiken, zullen bestaande architecturen van diepe neurale netwerken onderzocht worden en aangepast worden voor deze specifieke toepassing, rekening houdend met de context-specifieke en temporele informatie in de beelden. De ontwikkelde methoden zullen worden geëvalueerd op realistische klinische datasets in samenwerking met de afdeling Gastroenterologie van UZ Leuven.