Konvertering af ultralydsbilleder til CT-format billeddannelse ved hjælp af kunstig intelligens-baseret læring

Baggrund og begrundelse for det medicinske eksperiment:

Ultralydsbilleddannelse er en billeddannelsesmetode, der bruger lydbølger til at karakterisere forskellige organers struktur og funktion ved helbreds- og sygdomstilstande. Denne teknik er meget udbredt i det kliniske daglige liv og har mange fordele. Undersøgelsen involverer ikke brug af ioniserende stråling, så brugen er sikrere end andre teknikker såsom røntgenstråler eller CT-scanninger (computertomografi). De billeder, der tages og ses på ultralydsapparatet, er i realtid, så ændringer kan identificeres, hvilket i mange tilfælde påvirker den endelige diagnose. Testen er ikke-invasiv, og testen kræver heller ikke brug af et kontrastmiddel, der indeholder stoffer, der kan forårsage en allergisk reaktion eller svække nyrefunktionen. Derudover er udstyret bredt tilgængeligt, og kan også bruges ved sengekanten. Ud over de nævnte fordele har ultralydstesten også bemærkelsesværdige ulemper. Ultralydsbølgerne trænger dårligt gennem knogler eller luft, hvilket forringer testkvaliteten. Derudover er metoden meget afhængig af operatørens dygtighed, så der kræves betydelig erfaring for at producere tilstrækkelig kvalitetsinformation og stille en præcis diagnose. Kvaliteten af ​​testen afhænger også af forsøgspersonens samarbejde under testen, såsom ændringer i kropsholdning og dyb vejrtrækning.

Sammenlignet med ultralydsundersøgelsen giver CT-scanningen mulighed for et bredere anatomisk overblik og er ikke begrænset af fysiologiske faktorer som knogler og luft. De mest bemærkelsesværdige mangler ved CT-scanningen omfatter det faktum, at testen kræver ioniserende stråling, der uundgåeligt indebærer en direkte og indirekte fare for patientens helbred. Derudover kræver testen flere ressourcer økonomisk og arbejdsmæssigt, hvilket er en begrænsning i dens anvendelse uden for hospitalet eller i lande med dårlig socioøkonomisk status.

I denne undersøgelse sigter efterforskerne på at bygge bro mellem disse to typer teknikker og skabe et ensartet system, der udnytter begge. Dette gøres ved at lave CT-billeder fra ultralydsbilleder. Denne proces vil involvere brugen af ​​kunstig intelligens metoder, nemlig maskinlæringsalgoritmer.

Machine learning generelt, og deep learning i særdeleshed, har de seneste år taget fart inden for computersyn og på det seneste også inden for medicinsk billeddannelse. Derudover kan man allerede se betydelige succeser i klassificeringen af ​​nethindesygdomme, hvor sensoren er et funduskamera eller Optical Coherence Tomography (OCT), i klassifikationen af ​​klassifikationer ved MR-billeddannelse af brystet 3, og for nylig, i klassificering af sværhedsgraden af ​​sygdommen forårsaget af Corona-virussen ved hjælp af røntgenbilleder af thorax og ultralydsscanninger.

Maskinlæring omfatter to faser. I den første fase træner algoritmen på taggede data ved hjælp af arkitekturer og målfunktioner, som gør det muligt at opnå høj nøjagtighed. I andet trin vil efterforskerne teste algoritmen for data, der endnu ikke er blevet observeret. Det skal bemærkes, at en stor mængde taggede data kan være meget nyttige i udviklingen af ​​algoritmen, men samtidig kan det være svært at producere taggede data, og det kan være en lang og dyr proces. Derfor vil efterforskerne anvende uovervågede eller semi-superviserede tilgange.

Mål for medicinsk forskning: Levering af sonografisk og radiografisk information til et kunstig intelligenssystem med det formål at skabe CT-billeder ud fra ultralydsbilleder, for at muliggøre bedre rumlig orientering samt bedre karakterisering af de scannede anatomiske strukturer.

Undersøgelsestype: Et prospektivt åbent studie, hvor både lægen og patienten er opmærksomme på scanningens måde og formål.

Eksperimentel procedure: Deltagere, der opfylder undersøgelseskriterierne, vil gennemgå en komplet ultralydsscanning af abdominale organer ved hjælp af et klinisk ultralydsapparat i Imaging Institute på Haemek lægecenter. Den anslåede varighed af eksamen er 20 minutter. Ultralydsbillederne vil blive visuelt koblet til tidligere CT-billeder af den samme patient på undersøgelsestidspunktet ved hjælp af et Fusion-system placeret i ultralydsenheden nævnt ovenfor.

Bemærk, at hvis deltageren kom til en klinisk ultralydsundersøgelse, som under alle omstændigheder skulle finde sted, vil han bestå den kliniske undersøgelse som sædvanligt, og derefter separat gennemgå den ovenfor beskrevne undersøgelse som en del af undersøgelsen.

De koblede CT- og ultralydsbilleder vil blive kodet og sendt til SAMPL-laboratoriet i Weizmann-instituttet, hvor billederne vil tjene som en læringsplatform for det kunstige intelligens-system. Billederne overføres først, efter at emnets personlige oplysninger er blevet kodet i en EXCEL-fil og gemt af hovedefterforskeren. Kun den ledende forsker og sekundære forskere vil blive udsat for præ-encoding information, som vil blive lagret på en dedikeret computer hos den ledende forsker, password beskyttet.

Den indsamlede kodede information videregives løbende under forskningen til Weizmann Instituttet, for at sikre god indhentning af information og mulighed for realtidsfeedback til den ledende forsker til fordel for at opnå information af bedre kvalitet, der muliggør dataanalyse.

I enhver fremtidig ansøgning af SAMPL-laboratoriet for detaljer om deltagerne, skal det kontaktes med serienummeret, når kodningsnøglen udelukkende vil være på det kliniske sted (Haemek Hospital). SAMPL-laboratoriet på Weizmann Instituttet vil ikke på nogen måde og på noget tidspunkt i forsøget blive udsat for identificerende oplysninger om deltagerne.

Monitorering af deltagere og rapportering af medicinske fund

Hvis uventede medicinske fund, der er vigtige for patientens helbred, opdages under undersøgelsen, er det hovedinvestigatorens ansvar at overføre dem til den behandlende læge uden forsinkelse for yderligere opfølgning og behandling efter behov af standard medicinsk behandling. Deltagerne vil ikke blive fulgt op efter den eksperimentelle scanning som en del af det kliniske forsøg.