Bild: Pixabay
Forskningsprojekt För att fullt ut dra nytta av den precision som modern strålbehandling kan leverera dos krävs det bilder av tumöregenskaper som exempelvis celltäthet och blodflöde. Magnetresonanstomografi (MRT) kan användas för att skapa den typen av kvantitativa bilder, men i dagsläget har bilderna ofta stora och okända osäkerheter. Därför behövs det utvecklas nya lösningar som både kan reducera och kvantifiera osäkerheter i kvantitativ MRT.
De modeller som används idag för att beräkna kvantitativa egenskaper från MRT bilder tar oftast inte hänsyn till informationens spatiala struktur. Genom att inkludera denna struktur som prioriinformation i modellerna används data mer effektivt och man kan därigenom minska osäkerheterna. I projektet kommer vi att utforska olika metoder och modeller för att reducera osäkerheterna och parallellt bygga metoder för att även kunna uppskatta de kvarvarande osäkerheternas storlek.
Projektbeskrivning
Ett stort problem idag med kvantitativ MRT är bilderna ofta har stora och okända osäkerheter speciellt när bildtagningen inte får ta lång tid. En viktig anledning till detta är att de modeller som används endast tar hänsyn till en pixel i taget. Det gör att man ignorerar mycket av den information som finns i bilderna. I det här projektet vill vi förbättra den situationen genom att införa modeller som även tar hänsyn till de spatiala egenskaperna i bilden. I och med detta blir de effektiva antalet parametrar som ska skattas från data färre och osäkerheterna kan reduceras. Samtidigt, när modellerna blir mer avancerade blir det svårare att skatta storleken på det kvarvarande osäkerheterna och nya metoder behöver utvecklas.
Nästa steg
De idag dominerande metoderna för att estimera kvantitativa parametrar från MRT bygger på kurvanpassningar till en modell i varje pixel. Genom att lyfta blicken och dra nytta av den växande datorkraften kan man istället tänka sig att man skapar modeller för all data i en hel 3D volym. T.ex. kan det nu ingå i modellen att pixlar som ligger nära varandra ska likna varandra eller att bilderna ska ha en hierarkisk struktur. Detta går att modellera med hjälp av exempelvis Bayesiska modeller och att djupa neurala nätverk har en preferens för bilder med hierarkiska strukturer. Vi kommer i projektet att studera hur olika typer av strukturerade modeller kan användas för att minska osäkerheterna samt utveckla algoritmer baserade på t.ex. Monte Carlo tekniker för att få information om en hel fördelning av möjliga mätvärden snarare än bara ett rimligt värde, och därigenom kunna kvantifiera osäkerheterna.
Tillämpningar
Metoderna som utvecklas i projektet kommer främst att utvärderas på MRT baserade perfusion- och diffusions-mätningar relevanta för strålbehandling, bl.a. av prostata. Även om metodiken är utvecklad med ett fokus på tillämpningar inom strålbehandling är dess användningsområde inte begränsad till det området. Kvantitativ bildtagning med reducerade och kända osäkerheter har många tillämpningar såväl inom medicin som utanför.
