science >> Wetenschap >  >> Elektronica

Onderzoekers ontwikkelen diepgaande leertechniek om risicoanatomie te identificeren in CT-scans

Organen in het hoofd en de nek lopen risico tijdens bestralingstherapie om kanker te bestrijden. Onderzoekers van de UCI en andere instellingen hebben een diepgaande leerbenadering ontwikkeld om ze te identificeren en te beschermen tegen bestraling. Krediet:Xiaohui Xie / UCI

Radiotherapie is een van de meest gebruikte kankerbehandelingen, maar een nadeel van de procedure is dat het nevenschade kan veroorzaken aan gezond weefsel in de buurt van kankergezwellen. Het identificeren van risicoorganen via CT-scans is een moeilijk en arbeidsintensief proces, maar UCI-computerwetenschappers en onderzoekers van andere instellingen hebben een geautomatiseerde techniek ontwikkeld om deze functie uit te voeren met behulp van een diepgaand lerend algoritme. Hun werk is onlangs gepubliceerd in Natuur Machine Intelligentie .

"Met ons model, het is mogelijk om in een paar seconden een hele scan af te bakenen, een taak die een menselijke expert meer dan een half uur zou kosten, " zei co-auteur Xiaohui Xie, UCI-hoogleraar informatica. "Op een dataset van 100 CT-scans, onze deep-learningmethode behaalde een gemiddelde overeenkomstcoëfficiënt van meer dan 78 procent, een significante verbetering ten opzichte van analyses gedaan door radiotherapeut-oncologen."

De onderzoekers concentreerden zich voor hun studie op het hoofd en de nek vanwege de complexe anatomische structuren en dichte verdeling van organen in dit deel van het lichaam. Ook, onbedoelde bestraling van gevoelig weefsel in dit gebied kan leiden tot nadelige bijwerkingen zoals moeite met het openen van de mond, verslechtering van zicht en gehoor, en cognitieve stoornissen. Xie zei dat het succes van de aanpak van zijn team kan worden toegeschreven aan het tweetrapsontwerp van het model.

Eerst, het systeem identificeert regio's met vitale organen, en vervolgens extraheert het beeldkenmerken uit deze focusgebieden. "Ons diep lerend neuraal netwerk verbetert het vermogen om anatomie af te bakenen aanzienlijk, zelfs met CT-scans met laag contrast, "Zei Xie. "En de opstelling is rekenkundig efficiënter dan andere methoden, waardoor het kan worden gedaan met meer standaardniveaus van het geheugen van de grafische verwerkingseenheid. Dit betekent dat de techniek gemakkelijker kan worden toegepast in echte klinieken." Zijn medewerkers waren van de Chinese Shanghai Jiao Tong University School of Medicine en DeepVoxel Inc. van Costa Mesa.