Introduktion
Projektet anvender kunstig intelligens til at skabe anatomisk tilpassede [18F]FDG-PET-billeder, der nøjagtigt gengiver den enkelte patients sunde tilstand. Disse digitale tvillinger muliggør en mere præcis diagnose og behandlingstilpasning for forskellige sygdomme ved at etablere en syntetisk baseline af kroppens sunde tilstand.
Projektets baggrund
Helkrops PET/CT billedfremstilling med FDG-sporstof er et uvurderligt diagnostisk redskab, der bredt anvendes på hospitaler til påvisning, diagnose og overvågning af forskellige sygdomme. Standard analysemetoder lider imidlertid under manglen på personlig tilpasning i sunde kontrolbilleder, hvilket reducerer deres præcision og begrænser den fulde diagnostiske og prognostiske potentiale af PET/CT-billedfremstillingen.
Projektet imødekommer dette ved at introducere avancerede Deep Learning-teknikker til at syntetisere personlige PET-billeder baseret på patientens egne helkrops CT-billeder. Dette muliggør udvikling af billeder, der reflekterer den enkelte patients anatomiske og fysiologiske karakteristika, hvilket kan øge nøjagtigheden af differentiering mellem normale og syge tilstande.
Projektets potentiale
Projektet har potentiale til at opdage afvigelser og subtile ændringer i organernes optagelsesmønstre ved at sammenligne patientens digitale tvilling med patientens faktiske PET-skanning, som f.eks. ved diabetes, hvor et personlig sundt PET-billede kan give en vurdering af diabetes ved at sammenligne det med den faktiske observerede optagelse. Projektet repræsenterer en innovativ tilgang til at forbedre diagnostiske analysemetoder, som øger nøjagtigheden af diagnose og effektiviteten af behandlingen for den enkelte patient.