Deep learning för automatisering av bildanalys i kliniska läkemedelsstudier

Syfte och mål

Antaros Medical använder innovativ, kvantitativ bildanalys av bl.a. bilder från magnetisk resonanstomografi (MR) för att hjälpa läkemedelsutvecklare att förstå hur deras läkemedel fungerar. Själva bildanalysen innefattar ofta segmentering av olika organ. I NASH- och NAFLD-studier segmenteras levern. Slutmålet med projektet var en automatisk segmentering av lever i MR-bilder med hjälp av AI. De framtagna AI-metoderna har påvisat goda resultat på testdata. Segmentering av lever blir mer tidseffektiv och mindre operatörsberoende, och målen är därmed uppfyllda.

Resultat och förväntade effekter

AI i form av djupinlärande nätverk har skapats och utvärderats på tre tillgängliga dataset av MR-bilder tagna för att mäta levervolym och fetthalt i lever. Nätverken producerar tidseffektiva segmenteringsförslag som är nära manuellt skapade referenser samt visar på förbättrad reproducerbarhet jämfört med en mänsklig operatör. Ytterligare validering kommer att genomföras innan metoderna tas i bruk i den operativa verksamheten. Projektet har lett till nyanställningar och fler idéer om hur bildanalysmoment kan förbättras med hjälp av AI framöver.

Upplägg och genomförande

Antaros Medical har tagit hjälp av expertis från Uppsala universitet. Den arkitektur som användes i projektet var ett faltningsnätverk (U-net CNN). Nätverket tränades på manuellt gjorda leversegmenteringar från två dataset från NASH-studier, från två olika MR-kameror. Omfattande experiment har utförts och resulterade i två nätverk: Ett nätverk för segmentering för att mäta levervolym, samt ett nätverk för att segmentera fetthaltsbilder. Utvärdering har sedan skett på totalt tre olika dataset.