 |
|
| Témakiírás |
| |
A kutatási téma leírása:
1. Bevezetés:
A kutatási téma címe: Radiológiai vizsgálatok radiomikai elemzése gépi tanulás és
mesterséges intelligencia segítségével
Biomarkerek a képalkotó diagnosztikában: biomarkernek nevezhetünk minden olyan mérhető
tulajdonságot, amely információt hordoz egy adott biológiai folyamat lefolyásról1. Képalkotó
biomarkerekről akkor beszélhetünk ha egy szöveti tulajdonság kimutatása az orvosi képalkotó
eljárások valamelyikével történik. A képalkotó biomarkerek között megkülönböztethetünk kvalitatív
markereket, melyekkel a vizsgált szövetek kategorizálhatók, illetve kvantitatív markereket, melyek
egy fizikai mértékegységgel megmérhetők2. Ezeket a jól mérhető képalkotó biomarkereket az
egyszerűbben hívhatjuk képi paramétereknek is.
A radiomika mint önálló tudományterület: a modern képalkotó eljárások mindegyike
digitalizált, ami lehetővé teszi, hogy a számítógépes képelemzés során nagyszámú kvantitatív
képi paramétert az esetek sokaságán egyszerre vizsgáljunk1,3. Ezekkel az eljárásokkal egy új
tudományterület jelent meg, amit radiomikának neveznek. Szemben a hagyományos képi
diagnosztikai elemzéssel, ahol a vizsgáló szubjektív megítélése alapján történik a régiók, szövetek
vagy elváltozások detektálása, illetve kategorizálása; a radiomikai képelemzés során objektív,
statisztikailag elemezhető, reprodukálható és tárolható formában kerülnek rögzítésre a képi
információk. Ez részben megnyitja az utat a gépi tanuláson alapuló automatizált diagnosztikus
eljárások irányába. A radiomikai elemzés során kimutatható lehet, olyan "rejtett" képi információ is
ami diagnosztikus információt hordoz, de a hagyományos kiértékelés során nem tudunk
reprodukálhatóan felismerni 4,5. A radiomikai képelemzés során visszakereshető, patológiai és
morfológiai tulajdonságok alapján rendszerezhető radiomikai adatbázisok keletkeznek, melyek
új diagnosztikus eljárások alapját képezhetik.
A radiológiai diagnosztikában jelenleg használatos szemantikus képi paraméterek leíró jellegűek
(pld. erezettség, spikuláció, nekrózis) és egy adott lézió kategorizálását segítik. A diagnosztikus
klasszifikációs rendszerek egy része már ma is a szemantikus képi paraméterek és a
hisztopatológiai morfológia szoros korrelációján alapul (pld. Li-RADS, PI-RADS) 6,7. A szemantikus
paraméterek ugyanakkor szubjektív értékelésen alapulnak, vizsgálófüggőek, ezért
megbízhatóságuk változó lehet. A radiomikai elemzés egyik alapvető célja, hogy olyan
automatizáltan számolható, egységesen elfogadott képi paraméterek kerüljenek kidolgozásra,
melyekkel az elváltozások karakterizálása objektívvé tehető, és a radiológiai diagnosztika
felgyorsítható.
A radiomikai képelemzés folyamata: a képalkotó vizsgálatok radiomikai kiértékelése egy több
lépcsőből felépülő komplex feladat. A képalkotó vizsgálati technika és a képalkotó paraméterek
standardizálása nélkülözhetetlen a radiomikai módszerek a rutin diagnosztikus eljárásokban
történő felhasználáshoz8. Az elsők között kell meghatározni, hogy az eltérő konfigurációjú
készülékekkel és vizsgálati beállításokkal milyen mértékben változnak a képi paraméterek.
Lehetséges, továbbá hogy műtermék redukciós algoritmusokkal (pld. ortopédiai fém műtermék
redukció) a szuboptimális technikával készült vizsgálatokon is megfelelő hatékonysággal végezhető
el a képelemzés9. A radiomikai elemzés során a képi paraméterek eloszlását egy meghatározott
anatómiai régióban vagy a képalkotó vizsgálaton körülhatárolható patológiás elváltozáson belül
kijelölt vizsgálati volumenben (ROI) határozzuk meg. A ROI-k kijelölése, vagyis vizsgálati
képanyag szegmentálása történhet kézzel, ami időigényes művelet és a képi anatómiában jártas
szakember közreműködését igényli. Alternatívaként használhatunk régió alapú és interaktív
szegmentálási algoritmusokat, melyek jelentősen gyorsítják ROI-k kijelölését, de pontosságuk
eltérő lehet, ami a képi paraméterek számítására is hatással van10. Az elmúlt évek fejlesztéseinek
köszönhetően elérhető mesterséges intelligencián alapuló szegmentációs módszerek(pld. NiftyNet,
ConvNet), melyek automatikusan felismerik az anatómiai struktúrákhoz tartozó képelemeket vagy
patológiás elváltozásokat. Megfelelő számú minta elérhetősége esetén a neurális hálót saját
képanyagunkon is taníthatjuk az elemezni kívánt szervek, elváltozások felismerésére. A radiomikai
paramétereket a kiszegmentált ROI-kon belül számoljuk11.
Az eloszlási függvényekből számított képi paramétereket együttesen agnosztikus
paramétereknek is nevezhetjük. Az agnosztikus képi paraméterek első- , másod- és magasabb
rendű csoportokban sorolhatók a leíró statisztikai egyenletek típusa szerint. Az elsőrendű képi
paraméterek az intenzitásértékek mintán belüli eloszlást vizsgálják azok lokalizációjától
függetlenül. A másodrendű paraméterekkel az egymás mellett elhelyezkedő voxelek intenzitása
közötti kontrasztkülönbségek jellemezhetők, ezeket textúra paramétereknek is nevezik. A wavelet
transzformációt követően magas és alacsony frekvencia sávokban, a LoG kernelekkel pedig az
kontúrok kiemelése után vizsgálhatjuk a magasabb rendű képi paramétereket. A konvolúciós
neuronhálók tanítása rejtett konvolúciós és teljesen összekapcsolt rétegeken keresztül történik. Az
ezekben a rétegekben keletkező aktivációs mintázatok mély tanuláson alapuló képi
paramétereket hoznak létre, melyek a vizsgált klasszifikációs problémához specifikusan
kapcsolhatók12.
Az radiomikai paraméterek csak adatbázisok részeként értékelhetők. Ezeknek az adatbázisoknak
tartalmazni kell az egyes elváltozásokhoz tartozó szemantikai és agnosztikus paraméterek mellett,
az esetekhez tartózó patológiai, releváns labordiagnosztikai és demográfia adatokat is. Az
adatbázisok kereshetők és a vizsgálati technikák standardizációjának függvényében hasonló
adatbázisokkal összevonhatók. A gépi tanulás során magasabb rendű matematikai modellek (pld.
szupport vektor gépek, hierarchikus klaszter elemzés stb.) alkalmazásával a nagyszámú változók
közötti összefüggéseket keressük13. A adathalmazon belül kereshetjük egy-egy ismert tulajdonság
(pld. szövettani típus, terápiás válasz) megjóslására alkalmas független képi paramétereket.
Radiomikai képzelmezés daganatos betegségekben: a radiomikai elemzések hasznosságát a
daganatos betegségek osztályozásában és a terápiás döntéshozatalban számos tanulmány sikerrel
igazolta. A radiomikai adatok és a tumorok genetikai jellemzőinek korrelációját a radiogenomika
tudományterülete vizsgálja14. A radiogenomikai analízis célja a genotípus specifikus képi
paraméterek azonosítása különböző tumorokban. A képi paraméterek a genetikai klasszifikációval
kombinálva pontosítja a diagnózist, elősegíti a megfelelő kezelési stratégia megválasztását. A
radiomikai elemzés máj tumorok esetében sikerrel alkalmazták mikrovaszkuláris invázió
kimutatására, illetve a kiújulás korai kimutatására máj reszekció után 5,15m. Hasnyálmirigy
daganatok esetében a radiomikai elemzés hasznos lehet a betegség prognózisának, a betegek
túlélésének megjóslásához és a neoadjuváns kemoterápiában részesülő betegek kiválasztásában
16. A vesedaganatok esetén a radiomikai elemezés révén lehetséges a hisztológiai típusok, illetve a
világossejtes veserákok estében a grádus megjóslása4,17.
A radiomika szerepe a diffúz májbetegségek nem-invazív kimutatásában: minden a
májsejteket krónikusan károsító külső ágens, infekció vagy genetikai elváltozás a ismétlődő
májregenerációt eredményez, melynek során hosszabb távon minden esetben jelentkezik a máj
architektúra torzulása és kóros kötőszöveti állomány felhalmozódása. Ez a folyamat a máj
fibrótikus átépüléséhez vezet, melynek utolsó legsúlyosabb stádiuma a májzsugor (cirrhosis)
kialakulása. A májzsugor népbetegségnek számít és az esetek jelentős részében több
szervrendszert érintő elváltozásokat okoz, melyek halálos szövődményeket okozhatnak. A
májfibrózis stádiumának meghatározása szükséges a kóroknak megfelelő terápia kiválasztásához,
a betegek nyomon követéséhez, illetve a szövődmények előrejelzéséhez is. Klasszikusan a máj
vastagtű mintavétel számít a diffúz májbetegségek diagnosztikájában standard eljárásnak.
Azonban a szövődmények lehetősége nem elhanyagolható és a beteg számára megterhelőbb és
költségesebb, mint a nem-invazív módszerek. A legújabb nemzetközi ajánlások szerint a
májfibrózis kimutatásra elsőként a nem-invazív módszerek ajánlottak18. Ezek között kiemelt
szerepet kapnak az ultrahangos elasztográfiás módszereknek, melyek megbízhatóságát és
reprodukálhatóságát korábbi vizsgálataink során már igazoltuk19. Az MR elasztográfia hasonló
eredményességgel alkalmazható, de hozzáférhetősége korlátozott. Ugyanakkor a májfibrózis a
rutin diagnosztikában használt képalkotó eljárásokkal vagy csak előrehaladott stádiumban, vagy
már a szövődmények kialakulása után ismerhető fel. A radiomikai elemzés lehetőséget teremt, a
fibrózis által okozott szerkezeti eltérések felismerésére és számszerűsítésére. A képi paraméterek
változásai korai stádiumban jelezhetik a szerkezet torzulását, amikor az szemmel még nem
látható. A fibrózis kimutatása a rutin képalkotás során meggyorsíthatja a diagnózis felállítását
illetve egyes elváltozásokban a kezelési tervet is átalakíthatja (lsd. LI-RADS kritériumok). Ezért a
standardizált képi paraméterek kifejlesztése átalakíthatja a májbetegségek képalkotását. A
nyíráshullám elasztográfiás mérések radiomikai elemzése például kimutathatóan javította a
májfibrózis mérésének pontosságát HBV fertőzött betegekben20.
Doktori fokozatomat az májrák genomikai karakterizálásáról írtam. Kutatásaim során, melyeket
részben az Egyesült Államokban végzetem, többek között genetikai módosított állat modelleken és
humán mintákban is vizsgáltam a májrákok génkifejeződési mintázatain belül a különböző
jelátviteli útvonalak szerepét 21,22. Kísérletes állatmodelleken a májfibrózis kialakulását kísérő
genomikai változásokat elemeztem. Mint gyakorló radiológus nyertem el az Európai Radiológia
Társaság Ösztöndíját a Cambridge-i Egyetemre, ahol hasi képalkotással foglalkozhattam. A
2017/18-as pályázati évben elnyertem az MTA Bolyai János kutatási ösztöndíjat, melynek
segítségével sikerült az májfibrózis mérésre szolgáló nyíráshullám elasztográfiás eljárást
meghonosítani a Semmelweis Egyetemen. Több száz diffúz májbetegségben szenvedő beteg
adatainak elemzése során kimutattam, hogy ez nyíráshullám elasztográfia, olyan jól
reprodukálható nem-invazív vizsgálati módszer mely egyenértékű a hasonló vizsgálati technikákkal
és alkalmas a májfibrózis stádiumainak diagnosztikájára. Ennek a kutatásnak eredményeit az
ÚNKP-19-4 Pályázati Adatlap 1. számú melléklete
elmúlt években hazai és rangos nemzetközi konferenciákon is elismeréssel fogadták, eredményeink
publikációja folyamatban van.
2. Célkitűzés:
1) Vizsgálni akarjuk CT és MR vizsgálaton a radiomikai paraméterek eloszlási különbségeit a
májfibrózis egymást követő stádiumaiban.
2) Létrehozzunk egy olyan gépi tanuláson alapuló modellt, mely a radiomikai paraméterek
alapján alkalmas a májfibrózis kimutatására CT és MR vizsgálatok során.
3) Vizsgáljuk a képi paraméterek eloszlási különbségeit a pancreas daganatok különböző
típusaiban.
4) Vizsgáljuk a képi paraméterek eloszlási különbségeit a vese daganatok különböző
típusaiban.
3. Kutatási terv feladat- és ütemterve:
A kutatás során vizsgált betegcsoportok: kutatásunkat a Semmelweis Egyetem Radiológiai
Klinikán diagnosztikus vizsgálatokon átesett beteganyagon, retrospektív adatgyűjtéssel végezzük.
A kutatás során használt analitikai módszerek: a kutatásban résztvevő egyének vizsgálati
anyagát az egyetemi adatbázisokban retrospektív módon keressük vissza. A kutatási célú
képelemzéshez a DICOM képanyagot a Radiológiai Klinikán telepített képelemző állomásra DICOM
formátumban töltjük le. Ezt követően a betegek DICOM formátumú CT felvételeit Chris Rorden
(University of South Carolina) által írt és fejlesztett, nyílt hozzáférésű Mricron programcsomag 2-
pontos BSD licencű dcm2nii programjával anonimizáljuk. Az anonimizálás a betegek nevére,
Társadalombiztosítási Azonosító Jelére (TAJ), nemére, születési idejére, korára, testtömegére és a
vizsgálat dátumára terjed ki. Tekintettel arra, hogy a kutatás betegadatok anonimizálása után
történik, a vizsgálatok pedig a rutin diagnosztikus protokollt követve a beteg írásos belegyezésével
történnek, a betegektől a retrospektív adatgyűjtés külön írásos belegyezést nem igényel.
A képi paraméterek elemzése az anonimzált DICOM képanyagon történik. A DICOM formátumú
képeket a 3D Slicer (http://www.slicer.org) szabad felhasználású a Queen's University (Kingston, ON,
Canada) által fejlesztett programcsomag segítségével elemezzük. A 3D Slicer programcsomag
alkalmas a DICOM képanyagok processzálásra, a vizsgálatokon belül ROI-k kijelölésére és
tárolására, valamint a ROI-kon belül agnosztikus képi paraméterek számolására.
A vizsgálati képanyagok elemzése során a radiológia felvételek mesterséges intelligencia alapú
kétdimenziós és három dimenziós szegmentálásra, ROI-k vagy szervek, elváltozások automatikus
felismerésére konvolúciós neuronhálókat fogunk használni. Erre elsősorban a NifyNet
(http://www.niftynet.org) szabad felhasználású programcsomagot szeretnénk felhasználni, melyet az
University College of London fejlesztett ki.
A képi paraméterek eloszlásainak statisztikai elemzését az R 2.4.5 (http://www.r-project.org) szabad
felhasználású programcsomag segítségével végezzük.
A kutatás ütemezése: a kutatás első 5 hónapja során: beszerezzük a retrospektív kép- és
adatgyűjtéshez és adat elemzéshez szükséges etikai engedélyeket. Az elektronikus adatbázisok
(MEDSOL, PACS) keresése révén meghatározzuk azokat a betegcsoportokat, akik az egyéb
diagnosztikus és klinikai adatok alapján a kutatás témáját képző alapbetegség áll fenn, illetve a
kutatási céloknak megfelelő minőségben érhető el retrospektív vizsgálati képanyag. Ezek
várhatóan az alábbi csoportokból kerülnek ki:
-kb. 60-80 portális fázisú hasi CT vizsgálaton átesett, ismert krónikus májbetegségben szenvedő
beteg, akinél a májfibrózis stádium független módszerrel (pld. biopszia vagy elasztográfia)
meghatározásra került.
-kb. 30 többfázisú iv. kontrasztos hasi MR vizsgálaton átesett, ismert krónikus májbetegségben
ismert krónikus májbetegségben szenvedő beteg, akinél a májfibrózis stádium független
módszerrel (pld. biopszia vagy elasztográfia) meghatározásra került.
-kb. 40-50 többfázisú iv. kontrasztos hasi CT vizsgálaton átesett beteg, akinél szövettani
vizsgálaton hasnyálmirigy daganat igazolódott.
-kb. 40-50 többfázisú iv. kontrasztos hasi CT vizsgálaton átesett beteg, akinél szövettani
vizsgálaton vese daganat igazolódott.
A betegcsoportok azonítását, a képanyag és a klinikai adatok anonimizálása után a képi
paraméterek összehasonlító elemzését, illetve a mesterséges intelligencián alapuló képi
szegmentációt a bevezetésben ismertetett algoritmusok segítségével hajtjuk végre.
felvehető hallgatók száma: 3
Jelentkezési határidő: 2021-05-31 |
|
|
|
|
Bejelentkezés
