Needle reconstruction in Brachytherapy using Artificial Intelligence
Needle reconstruction in Brachytherapy using Artificial Intelligence
Project number : 272610
Created by: Christoffer Andersén, 2019-07-01
Last revised by: Christoffer Andersén, 2019-07-01
Project created in: FoU Region Örebro län

PublishedPublished

Registeranmälan

  1. Needle reconstruction in Brachytherapy using Artificial Intelligence, Registeranmälan
  2. Needle reconstruction in Brachytherapy using Artificial Intelligence, Projektbeskrivning

Titel och sammanfattning

Populärvetenskaplig sammanfattning

Smarta system som ger våra patienter snabbare och säkrare behandlingar har funnits inom vården nästan lika länge som datorerna. De smarta systemen behöver fortfarande en männsklig operatör för att kunna köras. I antågande kommer nu en ny era av intelligenta system som kommer kunna styra sig själva.

Oavsett dator eller människa så krävs det träning när intelligensen ska lära sig något nytt. Desto mer träning desto bättre färdighet. På Universitetssjukhuset Örebro finns det en omfattande databas av brachyterapibehandlingar mot prostatacancer.

Forskargruppen vid Universitetssjukhuset Örebro vill träna en artificiell intelligens för att effektivisera denna behandling. Vid brachyterapi opereras ihålig nålar in i patienten nära eller inuti tumören. I håligheterna åker sedan en strålkälla, detta är alltså en typ av strålbehandling. Efter bildtagning lokaliseras nålarnas positioner som underlag för stråldosplanering.

Forskargruppen vill låta den artificiella intelligensen lokalisera dessa nålar för att göra behandlingarna snabbare men även säkrare då man vill ta bort personberoendet.

Forskarnas intelligenta system är ett neuralt nätverk. Ett neuralt nätverk använder ett flertal alogritmer som är designade för att känna igen numeriska mönster. Neurala nätverk hjälper oss att klassifisera och samma koppla saker, vilket sammanfaller med projektets syfte.

Sammanfattning på engelska

Smart systems that give patients faster and safer treatments have already been around almost as long as the entrance of computers. The smart systems still need to be operated by a human being though. There are now intelligent systems in several medical areas that maneuver themselves.

Whether it is a computer or a human being learning new skills, both require training on what they want to be good at. For a computer this can mean having access to an extensive database with both cases and outcomes. This is the case at the University hospital of Örebro that since the 90s been working with the same technique for brachytherapy (radiation therapy) against prostate cancer.

Scientists at the University hospital of Örebro wants to let artificial intelligence take on the task. During a brachytherapy treatment hollowed needles are surgically implanted into the tumor and a radioactive source is put inside the needles for different amounts of time. The scientists want the artificial system to study ultrasound images where the needles are implanted into the prostate, then the scientists want the system to look at how medical physicists reconstruct the implanted needles in the software that will later be used for dose planning of the tumor area.

The scientists’ artificial system uses a so called neural network. A neural network uses a set of algorithms that are designed to recognize numerical patterns and therefore it is important that the data that is used for training the system is labeled correctly. Neural networks help us classifying and clustering things which coincide with the project.

A trained system will shorten treatment times for patients and staff will have access to a tool which can review them or vice versa.

Projektspecifik information

Ämnesord

checked Cancer och onkologi
checked Kirurgi
checked Medicinsk teknik
checked Radiologi och bildbehandling


(Only selected options are displayed. Click here to display all options)

Studietyp

Prövning av behandling

Fas

I

Randomiserad studie

Nej

Diagnoskod för huvuddiagnos

C60-C63 Maligna tumörer i de manliga könsorganen

Diagnoskod för underdiagnos

C60-C63 Maligna tumörer i de manliga könsorganen

Multicenterstudie

Nej

EPN diarienr

2019-00110

Inklusionsstatus

 Planerat antalAntal tillfrågadeScreen-failureAntal randominserade
n=15000  

Vetenskaplig sammanfattning

Förberedelse av data

Ett bildmaterial omfattande c:a 1000 ultraljudsbilder samplas om till tredimensionella bilder med isotropa voxlar och matrisstorlek 128x128x128. Field of view blir således kubiskt och väljs till 90 mm, för att täcka in det nödvändiga området i transversalled. Bilderna i planet paddas med nollor för att fylla upp matriserna till 90 mm.

För varje matris skapas en lika stor labelmatris som talar om, på voxelnivå, huruvida voxlarna är nål eller annat. Etiketterna för varje nålsegment beräknas utifrån nålarnas centrumkoordinater i strukturdata genom att nålpositionen interpoleras fram för varje snitt och justeras med nåldiametern.

Bildmaterialet delas upp i tränings-, validerings-, och testdata. 70% av materialet används för att träna segmenteringsalgoritmen, 20% av bildmaterialet används för att validera och fintrimma (generalisera) algoritmen och de resterande 10% används för att testa den slutliga versionen.

Träning och validering

För beräkningarna används en dator med fyra GPU:er (Nvidia GeForce RTX 2080 Ti) och ett CUDA-baserat deep learning-nätverk för semantisk segmentering. Nätverket är uppbyggt av 27 lager och är av typen fully convolutional neuralt nätverk. Det använder den tredimensionella bilden som indata och applicerar olika spatiella filter på den. Filtren tillämpas sekventiellt för att extrahera olika egenskaper ur bilddata. Vilka filterparametrar som används och vilka egenskaper som extraheras bestäms automatiskt då nätverket tränas. Vid extraheringen sker aktivering av särskilda icke-linjära funktioner i nätverket, på liknande sätt som i mänskliga neuroner.

De olika lagren i nätverket består, förutom av filter, av pooling, vilket leder till att mindre och mindre data förs vidare för varje lager (en typ av feature selection). Därefter sker en uppsampling, där delar av den spatiella informationen från de övre lagren tillsammans med en interpolation används för att återskapa upplösningen från ursprungsdata så att varje voxel i bilden får en individuell etikett.

Resultatet jämförs med labelmatrisen och efter att en bild ur datasetet har bearbetats sker en justering av filterparametrarna i nätverket och därefter upprepas processen över ett antal epoker (genomgångar av hela träningsdatasetet) tills algoritmen konvergerar. För att hitta de optimala parametrarna används en kostnadsfunktion (av DICE-typ) som får högre värden ju fler felklassificeringar som har gjorts.

De parameterjusteringar som görs efter baseras på stochastic gradient descent, dvs att kostnadsfunktionens gradient (partiella derivator med avseende på alla optimeringsvariabler) beräknas och ett steg tas med en bestämd dynamisk learning rate (steglängd som avtar linjärt med antal epoker) i den riktning där kostnadsfunktionen avtar snabbast. Att algoritmen konvergerar betyder att kostnadsfunktionen når ett minimum.

För varje epok testas algoritmen mot valideringsdata och inlärningskurvorna (felen på tränings-, respektive valideringsdata som funktion av antal epoker) övervakas under träningen, för att algoritmen ska bli tillräckligt generell och inte bli överanpassad efter träningsdata.

Involverade parter

Arbetsplats

information Added workplaces
Regioner - Region Örebro Län - Hälso- och sjukvård - Område thorax kärl diagnostik - Avdelningen för Sjukhusfysik workplace verified by Region Örebro län on 2018-06-14

Tutor

Per Thunberg
MR-fysiker, Kliniskt forskningscentrum, Avdelningen för Sjukhusfysik, Röntgenkliniken
Jakob Heydorn Lagerlöf
leg. Sjukhusfysiker, Avdelningen för radiofysik, Område slutenvård, Medicinska vetenskaper

Needle reconstruction in Brachytherapy using Artificial Intelligence, from FoU Region Örebro län
http://www.researchweb.org/is/fourol/project/272610