< Terug naar vorige pagina

Project

Geautomatiseerde nosologische beeldvorming door multi-parametrische MR-informatie te combineren met de longitudinale follow-up van de patient

Dit project maakt deel uit van het INSPiRE-MED European Training Network, dat zich richt op de ontwikkeling van Magnetic Resonance Spectroscopy (MRS) en MR Spectroscopic Imaging (MRSI) in combinatie met Positron Emission Tomography (PET), verbeterd door technieken voor machinaal leren. Ten eerste zullen we een methode ontwikkelen voor automatische hersentumorsegmentatie in multi-parametrische MRI-gegevens. Meer specifiek zullen we beeldclassificatie- en segmentatiekaders ontwerpen op basis van tensor-netwerken die rekening houden met de ruimtelijke afhankelijkheden van datapunten en die geschikt zijn voor multi-parametrische MRI-gegevens. Een effectief, schaalbaar optimalisatieschema zal ook worden gebruikt om de parameters van een tensor-netwerk te schatten. Verder zullen we de algoritmen testen op follow-up gegevens van glioblastoma en multiple sclerosepatiënten. Ten tweede zullen we, zodra segmentatiemaskers worden geschat door het genoemde kader, ze samen met de MRI gegevens gebruiken om geschikte radiomische kenmerken te extraheren, die vervolgens worden geanalyseerd door machine learning-algoritmen om de overlevingstijden van patiënten te voorspellen. Ten slotte zullen we deze automatische analyse integreren in een gebruiksvriendelijke visualisatietool. Meer in het bijzonder zullen we geavanceerde visualisatietools zoals nosologische beeldvorming gebruiken om de segmentatieresultaten op een gebruikersvriendelijke en klinisch gemakkelijk interpreteerbare manier te presenteren.

Datum:15 mei 2019  →  Heden
Trefwoorden:Tensor networks, Multi-parametric MRI, Semantic segmentation, Survival prediction
Disciplines:Machine learning en besluitvorming, Computer visie, Biomedische beeldverwerking, Numercial computation
Project type:PhD project