Project
Ontwikkeling van op AI gebaseerde beeldvormingstools voor de analyse van longziekte in preklinische knaagdiermodellen
In vivo long micro-computertomografie (micro-CT) wint aan belangstelling voor de longitudinale studie van experimentele ziektemodellen in preklinisch longonderzoek. Momenteel is er een verschuiving naar geautomatiseerde kwantitatieve metingen in klinische beeldvorming, omdat het variabiliteit in kwalitatieve metingen elimineert en de progressie van ziekte of behandelingsrespons nauwkeurig kan meten bij het uitvoeren van vervolgonderzoeken. In deze context heeft artificiële intelligentie (AI) en meer specifiek deep learning (DL) reeds bewezen zeer nuttig te zijn. In de eerste fase van het doctoraat zullen state-of-the-art deep learning-technieken worden ingezet om de segmentatie van longstructuren in micro-CT-beelden van knaagdieren te automatiseren, wat momenteel manuele arbeid vereist. Belangrijke structuren zijn de longen in zijn geheel en in hun lobben, de luchtwegen, de longvaten en parenchymale ziekten. In de tweede fase zullen de veranderingen van de bovengenoemde longstructuren worden geanalyseerd tijdens initiatie en evolutie van ziekte, terwijl ze worden vergeleken met gezonde controles. Deze benadering zal worden geëvalueerd in verschillende beschikbare muismodellen voor longziekte, waaronder interstitiële longziekte (ILD), chronische obstructieve longziekte (COPD), longinfecties, longmetastasen, astma en pulmonale hypertensie. Voor elk van hen zullen radiologische biomarkers, die meetbare indicatoren vormen van de ziektetoestand en de werkzaamheid van de behandeling, worden geëvalueerd.