Conversie van echografiebeelden naar beeldvorming in CT-formaat met behulp van op kunstmatige intelligentie gebaseerd leren

Achtergrond en grondgedachte van het medische experiment:

Echografie is een beeldvormingsmethode die geluidsgolven gebruikt om de structuur en functie van verschillende organen in gezondheids- en ziektetoestanden te karakteriseren. Deze techniek wordt veel gebruikt in het klinische dagelijkse leven en heeft veel voordelen. Het onderzoek maakt geen gebruik van ioniserende straling, dus het gebruik ervan is veiliger dan andere technieken zoals röntgenfoto's of CT-scans (computertomografie). De beelden die op het ultrasone apparaat worden verkregen en bekeken, zijn real-time, zodat veranderingen kunnen worden geïdentificeerd, wat in veel gevallen van invloed is op de uiteindelijke diagnose. De test is niet-invasief en vereist evenmin het gebruik van een contrastmiddel dat stoffen bevat die een allergische reactie kunnen veroorzaken of de nierfunctie kunnen aantasten. Bovendien is de apparatuur overal verkrijgbaar en ook aan het bed te gebruiken. Naast de genoemde voordelen heeft de echografie ook belangrijke nadelen. De ultrasone golven dringen niet goed door botten of lucht, waardoor de testkwaliteit wordt aangetast. Bovendien is de methode sterk afhankelijk van de vaardigheid van de operator, dus er is veel ervaring vereist om voldoende kwaliteitsinformatie te produceren en een nauwkeurige diagnose te stellen. De kwaliteit van de test hangt ook af van de medewerking van de proefpersoon tijdens de test, zoals houdingsveranderingen en diepe ademhaling.

In vergelijking met het echografisch onderzoek biedt de CT-scan een breder anatomisch beeld en wordt het niet beperkt door fysiologische factoren zoals botten en lucht. De meest opvallende tekortkomingen van de CT-scan zijn onder meer het feit dat de test ioniserende straling vereist die onvermijdelijk een direct en indirect gevaar voor de gezondheid van de patiënt met zich meebrengt. Bovendien vergt de test meer middelen, zowel financieel als qua mankracht, wat een beperking vormt voor het gebruik buiten het ziekenhuis of in landen met een slechte sociaaleconomische status.

In deze studie proberen de onderzoekers de kloof tussen deze twee soorten technieken te overbruggen en een uniform systeem te creëren dat van beide profiteert. Dit wordt gedaan door CT-beelden te maken van ultrasone beelden. Dit proces omvat het gebruik van methoden van kunstmatige intelligentie, namelijk algoritmen voor machine learning.

Machine learning in het algemeen, en deep learning in het bijzonder, hebben de afgelopen jaren een impuls gekregen op het gebied van computervisie en meer recentelijk ook op het gebied van medische beeldvorming. Daarnaast zijn er al grote successen te zien bij de classificatie van netvliesaandoeningen, waarbij de sensor een funduscamera of Optical Coherence Tomography (OCT) is, bij de classificatie van classificaties bij MRI-beeldvorming van de borst 3 en meer recentelijk bij de classificatie van de ernst van de ziekte veroorzaakt door het Corona-virus, met behulp van röntgenfoto's van de borst en echografie.

Machine learning bestaat uit twee fasen. In de eerste fase traint het algoritme op gelabelde gegevens, met behulp van architecturen en doelfuncties, waarmee een hoge nauwkeurigheid kan worden bereikt. In de tweede stap gaan de onderzoekers het algoritme testen op data die nog niet zijn waargenomen. Opgemerkt moet worden dat een grote hoeveelheid getagde gegevens zeer nuttig kan zijn bij het ontwikkelen van het algoritme, maar tegelijkertijd kan het moeilijk zijn om getagde gegevens te produceren en kan het een lang en duur proces zijn. Daarom zullen de onderzoekers onbewaakte of semi-gesuperviseerde benaderingen gebruiken.

Doelstellingen van medisch onderzoek: Verstrekken van sonografische en radiografische informatie aan een kunstmatige-intelligentiesysteem met als doel CT-beelden te creëren op basis van ultrasone beelden, om een ​​betere ruimtelijke oriëntatie en een betere karakterisering van de gescande anatomische structuren mogelijk te maken.

Soort onderzoek: Een prospectief, open-label onderzoek waarbij zowel de arts als de patiënt op de hoogte zijn van de wijze en het doel van de scan.

Experimentele procedure: deelnemers die aan de studiecriteria voldoen, ondergaan een volledige echografie van de buikorganen met behulp van een klinisch echografieapparaat in het Imaging Institute in het Haemek medisch centrum. De geschatte duur van het examen is 20 minuten. De ultrasone beelden worden visueel gekoppeld aan eerdere CT-beelden van dezelfde patiënt op het moment van het onderzoek, met behulp van een Fusion-systeem dat zich in het bovengenoemde ultrasone apparaat bevindt.

Merk op dat als de deelnemer voor een klinisch echografisch onderzoek kwam dat toch zou plaatsvinden, hij zoals gewoonlijk zal slagen voor het klinische onderzoek en vervolgens afzonderlijk het hierboven beschreven onderzoek zal doorlopen als onderdeel van het onderzoek.

De gekoppelde CT- en ultrasone beelden worden gecodeerd en verzonden naar het SAMPL-laboratorium in het Weizmann-instituut, waar de beelden zullen dienen als een leerplatform voor het kunstmatige-intelligentiesysteem. De beelden worden pas overgedragen nadat de persoonlijke gegevens van de proefpersoon zijn gecodeerd in een EXCEL-bestand en zijn opgeslagen door de hoofdonderzoeker. Alleen de hoofdonderzoeker en secundaire onderzoekers worden blootgesteld aan vooraf gecodeerde informatie, die wordt opgeslagen op een speciale computer bij de hoofdonderzoeker, beveiligd met een wachtwoord.

De verzamelde gecodeerde informatie zal tijdens het onderzoek continu worden doorgegeven aan het Weizmann Institute, om een ​​goede verwerving van informatie en de mogelijkheid van real-time feedback aan de hoofdonderzoeker te garanderen ten gunste van het verkrijgen van informatie van betere kwaliteit die data-analyse mogelijk maakt.

Bij elke toekomstige toepassing van het SAMPL-laboratorium voor details over de deelnemers, zal het contact moeten opnemen met het serienummer wanneer de coderingssleutel zich uitsluitend op de klinische locatie bevindt (Haemek-ziekenhuis). Het SAMPL-laboratorium van het Weizmann Institute zal op geen enkele manier en in geen enkel stadium van het experiment worden blootgesteld aan identificerende informatie over de deelnemers.

Monitoring van deelnemers en rapportage van medische bevindingen

Als er tijdens het onderzoek onverwachte medische bevindingen worden ontdekt die belangrijk zijn voor de gezondheid van de patiënt, is het de verantwoordelijkheid van de hoofdonderzoeker om deze onverwijld door te geven aan de behandelend arts voor verdere follow-up en behandeling zoals noodzakelijk is voor standaard medische zorg. Deelnemers worden niet opgevolgd na de experimentele scan als onderdeel van de klinische proef.