Introduktion
Projektet anvender kunstig intelligens til at standardisere afgrænsningen af tumorer på [18F]FDG-PET/CT-billeder af hos patienter med hoved- og halskræft (HNC). Formålet er at reducere variabiliteten i denne proces for at opnå mere pålidelige resultater, hvilket potentielt kan forbedre diagnostik og behandling.
Projektets baggrund
PET/CT-billeder med FDG-sporstof spiller en afgørende rolle i den onkologiske vurdering af forskellige kræftformer herunder HNC. Behandlingen af HNC omfatter kemoterapi, immunterapi og højpræcisions strålebehandling, baseret på avanceret billedanalyse inklusive tumorafgrænsning. Tumorafgrænsning er ofte en forudsætning for udledning af billedbiomarkører, da disse normalt baseres på tumorvolumen, genereret fra PET/CT-skanninger. Denne proces er kompleks og ressourcekrævende.
Projektet undersøger anvendelsen af Deep Learning til tumorafgrænsning og automatisering af udledningen af billedbiomarkører på HNC PET/CT-billeder. Disse billedbiomarkører kan omfatte forskellige kvantitative målinger eller egenskaber relateret til tumorens størrelse, form og intensitet. Ved at benytte Deep Learning bliver det muligt at generere disse biomarkører på en specifik og effektiv måde.
Projektets potentiale
Anvendelse af Deep Learning til standardisering af tumorafgrænsningen på HNC PET/CT-billeder har potentiale for inden for strålebehandling og automatisering af biomarkører. Førstnævnte kan mindske klinisk variabilitet og føre til mere ensartede vurderinger inden for strålebehandling. Sidstnævnte muliggør automatisering af en ressourcekrævende arbejdsopgave, når man har behov for at vurdere størrelsen og intensiteten af en tumor i klinisk kontekst eller til forskning.