Számítógépes diagnosztika az orvosi képalkotásban

Számítógépes diagnosztika az orvosi képalkotásban Dr. Bálint Zoltán http://phys.ubbcluj.ro/~zoltan.balint/ 19.10.2018

1998 2003 MSc Orvosi Fizika 2016 Adjunktus, 2018 Docens 2003 2007 PhD Biofizika UBB, Cluj-Napoca, RO BRC, Szeged, HU 2007 2010 Posztdoktori kutató 2010 2016 Kutatási csoport vezető 2015 Habilitáció MUG, Graz, AT LBI, Graz, AT

Hiro Yoshida Harvard Medical School Számítógépes diagnosztika az orvosi képalkotásban

Számítógépes diagnosztika az orvosi képalkotásban CAD Computer Aided Diagnosis Segítség az orvosnak, egy másodvélemény amit felhasználhat Automatikus formafelismerés + csoportosítás NEM diagnózis felállítása

CAD Computer Aided Diagnosis Számítógépes algoritmusok használata a diagnosztikában: - segít a radiológusoknak - időt spórol - a klinikai rutinba illeszthető - orvosilag megbízható és nem jár extra költségekkel Computer-aided Diagnosis: How to Move from the Laboratory to the Clinic Ginneken et al 2011 Radiology

Számítógépes diagnosztika az orvosi képalkotásban Példák 1. Tüdő vérerek automatikus felismerése/osztályozása 2. Kormeghatározás a kéz MRI képéből 3. A szív szerkezetének/működésének tanulmányozása

1. Tüdő vérerek automatikus felismerése/osztályozása Gyakorlati haszon 400 HU -497 HU -1000 HU 2016 - Image courtesy of M. Pienn, Z. Bálint, H. Olschewski

Tüdő vérerek automatikus felismerése/osztályozása 400 HU -497 HU -1000 HU 2016 - Image courtesy of M. Pienn, Z. Bálint, H. Olschewski

Artériák és vénák megkülönböztetése A CT képen közel azonos intenzitásúak Közel vannak egymáshoz, nehezen körülhatárolható a körvonaluk Előnyök: - henger alakú struktúrák, 3D-ben lehet azonosítani

Digitális kép

Érválogató algoritmus lépései 4D - intenzitásérték Henger alakú struktúrák Irányultság meghatározása Payer C. et al.; (2015) MICCAI oral presentation Pienn M. et al. ; (2015) MIUA oral presentation

Tüdő vérerek automatikus osztályozása Egyenletes eloszlás Artériák a légutak közelében vannak artéria: kék véna: piros Payer C, et al 2016. Medical image analysis 34:109-122. doi: 10.1016/j.media.2016.05.002.

Martin Wurm Diploma student (08.2013-07.2014) Michael Pienn PhD student Pius Sonnberger MSc student - project (07.2014 09.2014) Zoltán Bálint group leader Christian Payer MSc student (till 07.2015) Michael Helmberger MSc Student (till 2013) Horst Olschewski supporting scientist

2. Kormeghatározás a kéz MRI képéből Gyakorlati haszon: magmágneses rezonanciás képalkotás nem invazív pontos életkor meghatározás orvosi beavatkozások tervezése Elvárás: gyors képfelvétel másodpercek gyors eredmény másodpercek pontosság https://mleitschuh.wordpress.com/2012/07/23/day-64-bones/

Kormeghatározás a kéz MRI képéből Kivitelezés nehézségei - Kép előkészítése - Struktúrák kijelölése - Zajszűrés - Formák kiválasztása - Méretek kiszámítása - Adatok kinyerése Figure: Radiograph of the left hand and wrist analyzed with BoneXpert. The program estimates bone age for 13 bones. Combined with a nonlinear function to obtain the age 9.03 years for this case. Running time for the analysis was 4 seconds. Computer-aided Diagnosis: How to Move from the Laboratory to the Clinic Ginneken et al 2011 Radiology

Kormeghatározás a kéz MRI képéből Neumayer B, et al 2018. Scientific Reports 8:2063 DOI:10.1038/s41598-018-20475-1

Kormeghatározás a kéz MRI képéből Kivitelezés nehézségei: Képfelvételi eljárás módszere Képek zajszintje Szoftver validálása Stern D, et al 2016. MICCAI DOI:10.1038/s41598-018-20475-1

Kormeghatározás a kéz MRI képéből Deep convolutional neural network DCNN 3D bemeneti adatok Stern D, et al 2016. MICCAI DOI:10.1038/s41598-018-20475-1

Kormeghatározás a kéz MRI képéből Szoftver validálása klinikai adatokon Stern D, et al 2016. MICCAI DOI:10.1038/s41598-018-20475-1

Kormeghatározás a kéz MRI képéből Kapcsolódási lehetőségek képanalizáló szoftver fejlesztés képfelvételi eljárások fejlesztése adatbázis és kiértékelés optimalizálása

3. A szív szerkezetének/működésének tanulmányozása

3. A szív szerkezetének/működésének tanulmányozása Bishop et al Europace 2016(18): 376-383

A szív szerkezetének/működésének tanulmányozása Kivitelezés nehézségei: - Szív formája és elhelyezkedése különböző - Képek zajszintje - mozgás - Készülékek típusa és a felhasznált képkészítési eljárás

Bishop et al Europace 2016(18): 376-383 A szív szerkezetének/működésének tanulmányozása Gyakorlati haszon: - Szerkezeti és működési elváltozások detektálása - Infarktus helyének és mértékének meghatározása - Szívritmuszavar okozta elváltozások észlelése

Bishop et al Europace 2016(18): 376-383 A szív szerkezetének/működésének tanulmányozása Algoritmus:

A szív szerkezetének/működésének tanulmányozása 2D Szív MRI képek manuális bejelöléssel Proiect co-finanţat din Fondul European de Dezvoltare Regională prin Programul Operaţional Competitivitate 2014-2020

A szív szerkezetének/működésének tanulmányozása Kép előkészítése Struktúrák kijelölése Zajszűrés Formák kiválasztása Méretek kiszámítása Adatok kinyerése és megjelenítése Zahid et al Cardiovasc Res 2016(110): 443

A szív szerkezetének/működésének tanulmányozása Kapcsolódási lehetőségek képanalizáló szoftver fejlesztés képfelvételi eljárások fejlesztése adatbázis és kiértékelés optimalizálása

IMAGING-BASED, NON-INVASIVE DIAGNOSIS OF PERSISTENT ATRIAL FIBRILLATION imatfib Nr. contract de finanțare: 23/01.09.2016 POC: P_37_245, mysmis: 104004 Beneficiar: SPITALUL CLINIC JUDEŢEAN DE URGENŢĂ CLUJ-NAPOCA Director de proiect: Dr. Zoltán Bálint Acțiunea 1.1.4 Atragerea de personal cu competențe avansate din străinătate pentru consolidarea capacității de CD Proiect co-finanţat din Fondul European de Dezvoltare Regională prin Programul Operaţional Competitivitate 2014-2020

Nemzetközi kihívások a képalkotási eljárások fejlesztésére https://grand-challenge.org/why_challenges/ 2006 ötlet, azóta évente több felhívás Medical Segmentation Decathlon: https://decathlon.grand-challenge.org/home/ The MSD challenge tests the generalizability of machine learning algorithms when applied to 10 different semantic segmentation tasks. Phase 1 May - Aug 2018 Phase 2 validation deadline 31 Aug 2018

Összefoglaló Tüdő vérerek felismerése/osztályozása Kormeghatározás a kéz MRI képéből A szív szerkezetének/működésének tanulmányozása Direkt 3D képfeldolgozás Radiologists will become more productive and make less errors because they will have more time to think about the interpretation of their findings. They will benefit, and so will their patients. Computer-aided Diagnosis: How to Move from the Laboratory to the Clinic Ginneken et al 2011 Radiology

Összefoglaló CAD Computer Aided Diagnosis Segítség az orvosnak, egy másodvélemény amit felhasználhat Automatikus formafelismerés + csoportosítás NEM diagnózis felállítása

Kapcsolódási lehetőségek Biológiai és orvosi folyamatok mögött húzódó fizikai jelenségek tanulmányozása Adatfeldolgozás optimalizálása Modellek készítése Interdiszciplináris problémamegoldás