Image Analysis Tools for mpMRI Prostate Cancer Diagnosis Using PI-RADS

使用 PI-RADS 进行 mpMRI 前列腺癌诊断的图像分析工具

基本信息

  • 批准号:
    10256757
  • 负责人:
  • 金额:
    $ 80.31万
  • 依托单位:
  • 依托单位国家:
    美国
  • 项目类别:
  • 财政年份:
    2018
  • 资助国家:
    美国
  • 起止时间:
    2018-05-01 至 2023-08-31
  • 项目状态:
    已结题

项目摘要

Project Summary Prostate cancer is one of the most commonly occurring forms of cancer, accounting for 21% of all cancer in men. The Prostate Imaging Reporting and Data System (PI-RADS) aims to standardize reporting of prostate cancer using multi-parametric magnetic resonance imaging (mpMRI). However, the in-depth analysis, as demanded by PI-RADS, remains challenging due to the complexity and heterogeneity of the disease, and it is a clinically burdensome task subject to both significant intra- and inter-reader variability. Auxiliary tools based on machine learning methods such as deep learning can reduce diagnostic variability and increase workload efficiency by automatically performing tasks and presenting results to a radiologist for the purpose of decision support. In particular, automated identification and classification of lesion candidates using imaging data can be performed with respect to PI-RADS scoring. In Phase I of this project, we developed two automated methods to reduce the intra- and inter-observer variability while interpreting mpMRI images using the PI-RADS protocol: (i) a method to co-register mpMRI data, and (ii) a method to geometrically segment the prostate gland into the PI-RADS protocol sector map. The overarching goal of this Phase II project is to develop machine learning algorithms that incorporate both co-registered multi-modal imaging biomarkers and PI-RADS sector map information into an automated clinical diagnostic aid. The innovation in this project lies in the use of deep learning to automatically predict PI-RADS classification. This project is significant in that it has the potential to improve clinical efficiency and reduce diagnostic variation in prostate cancer diagnosis. In Aim 1 of this project, we will develop a deep learning approach to localize and classify lesions in mpMRI. In Aim 2, we will integrate this diagnostic tool into the ProFuseCAD system and perform rigorous multi-site validation to quantify PI-RADS classification performance. Both aims will utilize a database of over 1,000 existing mpMRI images from multiple clinical sites to develop and validate the algorithms. Ultimately, enhancements from this project will create a novel feature for Eigen's (the applicant company's) FDA 510(k)-cleared imaging product, ProFuseCAD, in order to improve the diagnosis and reporting of prostate cancer.
项目概要 前列腺癌是最常见的癌症之一,占男性所有癌症的 21%。 前列腺影像报告和数据系统 (PI-RADS) 旨在标准化前列腺癌的报告 然而,使用多参数磁共振成像(mpMRI)进行深入分析。 由于疾病的复杂性和异质性,PI-RADS 仍然具有挑战性,并且它是一个临床 繁重的任务受到基于机器的辅助工具的显着的内部和读者之间的差异的影响。 深度学习等学习方法可以减少诊断变异性并提高工作效率 自动执行任务并将结果呈现给放射科医生以提供决策支持。 特别是,可以使用成像数据对候选病变进行自动识别和分类 在该项目的第一阶段,我们开发了两种自动化方法来减少 PI-RADS 评分。 使用 PI-RADS 协议解释 mpMRI 图像时观察者内和观察者间的变异性:(i) 一种方法 共同注册 mpMRI 数据,以及 (ii) 将前列腺几何分割到 PI-RADS 中的方法 该第二阶段项目的总体目标是开发机器学习算法 将共同注册的多模态成像生物标志物和 PI-RADS 扇区图信息纳入 该项目的创新在于使用深度学习来自动进行临床诊断。 预测 PI-RADS 分类该项目的意义在于它有可能提高临床效率。 并减少前列腺癌诊断的诊断变异。在该项目的目标 1 中,我们将开发一个深入的方法。 在 mpMRI 中定位和分类病变的学习方法 在目标 2 中,我们将将此诊断工具集成到 ProFuseCAD 系统并执行严格的多站点验证来量化 PI-RADS 分类性能。 这两个目标都将利用来自多个临床站点的 1,000 多个现有 mpMRI 图像的数据库来开发和 最终,该项目的增强将为 Eigen 创建一个新颖的功能( 申请人公司的) FDA 510(k) 批准的成像产品 ProFuseCAD,以改进诊断和 前列腺癌的报告。

项目成果

期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

John Aaron Onofrey其他文献

John Aaron Onofrey的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('John Aaron Onofrey', 18)}}的其他基金

Data-driven Head Motion Correction in PET Imaging Using Deep Learning
使用深度学习在 PET 成像中进行数据驱动的头部运动校正
  • 批准号:
    10376855
  • 财政年份:
    2020
  • 资助金额:
    $ 80.31万
  • 项目类别:

相似国自然基金

时空序列驱动的神经形态视觉目标识别算法研究
  • 批准号:
    61906126
  • 批准年份:
    2019
  • 资助金额:
    24.0 万元
  • 项目类别:
    青年科学基金项目
本体驱动的地址数据空间语义建模与地址匹配方法
  • 批准号:
    41901325
  • 批准年份:
    2019
  • 资助金额:
    22.0 万元
  • 项目类别:
    青年科学基金项目
大容量固态硬盘地址映射表优化设计与访存优化研究
  • 批准号:
    61802133
  • 批准年份:
    2018
  • 资助金额:
    23.0 万元
  • 项目类别:
    青年科学基金项目
针对内存攻击对象的内存安全防御技术研究
  • 批准号:
    61802432
  • 批准年份:
    2018
  • 资助金额:
    25.0 万元
  • 项目类别:
    青年科学基金项目
IP地址驱动的多径路由及流量传输控制研究
  • 批准号:
    61872252
  • 批准年份:
    2018
  • 资助金额:
    64.0 万元
  • 项目类别:
    面上项目

相似海外基金

Neural mechanisms regulating glucose homeostasis
调节葡萄糖稳态的神经机制
  • 批准号:
    10634249
  • 财政年份:
    2023
  • 资助金额:
    $ 80.31万
  • 项目类别:
SORDINO-fMRI for mouse brain applications
用于小鼠大脑应用的 SORDINO-fMRI
  • 批准号:
    10737308
  • 财政年份:
    2023
  • 资助金额:
    $ 80.31万
  • 项目类别:
Continuous Glucose Monitoring in Dialysis Patients to Overcome Dysglycemia Trial (CONDOR TRIAL)
透析患者连续血糖监测克服血糖异常试验(CONDOR TRIAL)
  • 批准号:
    10587470
  • 财政年份:
    2023
  • 资助金额:
    $ 80.31万
  • 项目类别:
1/2 – Pediatric Prehospital Airway Resuscitation Trial
1/2 — 儿科院前气道复苏试验
  • 批准号:
    10738581
  • 财政年份:
    2023
  • 资助金额:
    $ 80.31万
  • 项目类别:
A Randomized Clinical Trial of the Safety and FeasibiLity of Metformin as a Treatment for sepsis induced AKI (LiMiT AKI)
二甲双胍治疗脓毒症引起的 AKI (LiMiT AKI) 的安全性和可行性的随机临床试验
  • 批准号:
    10656829
  • 财政年份:
    2023
  • 资助金额:
    $ 80.31万
  • 项目类别:
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了