肿瘤PET/CT/MRI纹理谱深度学习分析建模与智能放疗应用

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61671204
  • 项目类别:
    面上项目
  • 资助金额:
    60.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0116.图像信息处理
  • 结题年份:
    2020
  • 批准年份:
    2016
  • 项目状态:
    已结题
  • 起止时间:
    2017-01-01 至2020-12-31
  • 项目参与者:
    鞠忠建; 全惠敏; 吴帆; 杜乐辉; 田娟秀; 刘劲光; 谷珊珊; 沈智辉; 王帅卿;
  • 关键词:

项目摘要

Each year, the estimated number of new cancer cases in China is over 4 million and 70% of them need radiotherapy. The high-precision delineation of the gross target volumes (GTV) and organs at risk (OAR) is the premise of the successful implementation of image-guided intelligent radiotherapy. However, the current methods for the automatic delineation of GTV and OAR in PET, CT and MRI images can’t meet the accuracy of clinical radiotherapy. Previous studies have indicated that, the texture features of PET, CT, MRI images of tumors can improve the delineation accuracy of GTV and OAR, but it is difficult to effectively identify and model the massive, complex texture spectrum of tumors..We plan to perform our project based on the Tianhe 1 Supercomputing Platform at National Supercomputing Center at Changsha. To high precisely delineate GTV and OAR,and to provide scientific support for intelligent radiotherapy, ① we propose to analyze and model the texture spectrum of PET, CT, MRI image of tumors by deep learning, and to design a hybrid deep neural network framework, namely DeepIRT, by combining CNN、SAE with PyraMiD-LSTM, and to learn the latent features of GTV and OAR by DeepIRT, ② to use new high-precision deformable elastic methods for the registration of PET, CT, MRI, CBCT images, ③ and new deep-learning based methods for the delineation of GTV and OAR in PET, CT, MRI images by combining clinical prior with DeepIRT, and to assess and verify the high-precision smart deep-learning based delineation methods by clinical research.
在我国每年新增的400多万癌症患者中,70%以上的患者都需要进行放射治疗。肿瘤放疗靶区和危及器官的高精度勾画是智能放疗的前提,但目前还不能满足临床放疗精度要求。PET、CT、MRI影像纹理特征可提高勾画精度,但海量、复杂的肿瘤纹理谱难有效建模。本项目拟在天河一号超算平台上开展①肿瘤PET-CT-MRI靶区和危及器官勾画深度学习方法研究,提出联合肿瘤PET、CT、MRI影像纹理特征谱、集成CNN、SAE与PyraMiD-LSTM深度神经网络、构建肿瘤放疗靶区和危及器官检测、分类和识别混合深度神经网络DeepIRT,提出DeepIRT深度学习方法; ② PET、CT、MRI、CBCT图像高精度配准新方法研究;③肿瘤放疗靶区和危及器官高精度智能勾画、验证、评估临床研究。提出肿瘤放疗靶区和危及器官高精度勾画新理论和新方法,为PET、CT、MRI影像引导智能放疗提供科学支撑,具有重要临床和科学意义。

结项摘要

世界卫生组织国际癌症研究机构(IARC)最近发布了2020年全球最新癌症负担数据。全球185个国家36种癌症类型统计数据显示,2020年全球新发癌症病例1929万例;2020年全球癌症死亡病例996万例。 2020年中国新发癌症病例457万例, 2020年中国癌症死亡病例300万例。.60%-70%的癌症患者需要进行放射治疗。调强放疗是目前临床主要的放疗技术。成功实施调强放疗的关键是放疗靶区和危及器官的高精度勾画,其本质是肿瘤多模态影像CT/MRI/PET图像分割和配准,但肿瘤内部生物特性的各向异性特性和各模态影像的成像特性使高精度的肿瘤放疗靶区图像分割和配准非常困难。.本项目主要致力于肿瘤放疗靶区和危及器官CT、MRI和PET图像深度学习分析建模方法和算法研究,同时,开展相应的肿瘤放疗临床验证应用研究,为临床放疗靶区智能勾画和智能放疗计划系统提供肿瘤多模态影像分割和配准深度学习方法和算法。.在2017-2020年项目执行期间,本项目组系统、深入地开展了肿瘤放疗靶区和危及器官勾画深度学习方法研究,针对头颈部鼻咽癌、胸部肺癌、盆腔宫颈癌、脑部胶质瘤等CT、MRI和PET图像,提出、设计和训练了一系列的放疗靶区和危及器官图像分割和图像配准深度卷积神经网络模型,同时开展了相应的临床验证研究。项目负责人特邀大会报告2次,项目组队(DeepIRT)参加国际医学影像计算和计算机辅助干预大会MICCAI2019和MICCAI2020组织的鼻咽癌、胸部肺癌放疗靶区和危及器官、心肌病灶图像分割挑战性2次,参加AAPM大会组织的头颈部肿瘤放疗剂量分布预测挑战赛1次。项目组发表学术论文26篇,其中期刊论文19篇,国际会议论文7篇, SCI论文5篇,EI论文8篇,北大中文核心期刊9篇,国际顶级会议论文4篇。项目研究成果对恶性肿瘤智能放疗具有重要临床研究意义和科学研究价值。

项目成果

期刊论文数量(19)
专著数量(0)
科研奖励数量(0)
会议论文数量(7)
专利数量(0)
宫颈癌自适应放疗中基于自配准与图谱库的自动勾画比较
  • DOI:
    10.3760/cma.j.issn.1004-4221.2019.04.009
  • 发表时间:
    2019
  • 期刊:
    中华放射肿瘤学杂志
  • 影响因子:
    --
  • 作者:
    郑庆增;王运来;张建春;王金媛;张慧娟;杨光;高斌;鞠忠建
  • 通讯作者:
    鞠忠建
基于有限训练样本的融合网络模型用于盆腔危及器官自动分割的研究
  • DOI:
    --
  • 发表时间:
    2020
  • 期刊:
    生物医学工程学杂志
  • 影响因子:
    --
  • 作者:
    吴青南;王运来;全红;王俊杰;谷珊珊;杨薇;葛瑞刚;刘杰;鞠忠建
  • 通讯作者:
    鞠忠建
基于NSST变换和PCNN的医学图像融合方法
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    中国医学物理学杂志
  • 影响因子:
    --
  • 作者:
    田娟秀;刘国才
  • 通讯作者:
    刘国才
集成自适应回归核的肿瘤生物靶区随机游走勾画方法
  • DOI:
    --
  • 发表时间:
    2018
  • 期刊:
    中国医学物理学杂志
  • 影响因子:
    --
  • 作者:
    刘国才;官文静;田娟秀;朱苏雨;鞠忠建
  • 通讯作者:
    鞠忠建
Analysis of CNN-based remote-PPG to understand limitations and sensitivities
分析基于 CNN 的远程 PPG 以了解其局限性和敏感性
  • DOI:
    10.1364/boe.382637
  • 发表时间:
    2020-03-01
  • 期刊:
    BIOMEDICAL OPTICS EXPRESS
  • 影响因子:
    3.4
  • 作者:
    Zhan, Qi;Wang, Wenjin;de Haan, Gerard
  • 通讯作者:
    de Haan, Gerard

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:
    {{ item.journal_name }}
  • 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.authors }}

数据更新时间:{{ monograph.updateTime }}

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

数据更新时间:{{ sciAawards.updateTime }}

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

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

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

数据更新时间:{{ patent.updateTime }}

其他文献

固体碱负载Ru催化山梨醇氢解制备低炭二元醇
  • DOI:
    --
  • 发表时间:
    2014
  • 期刊:
    化工学报
  • 影响因子:
    --
  • 作者:
    周静红;王雪峰;刘国才;隋志军;周兴贵;袁渭康
  • 通讯作者:
    袁渭康
头颈部肿瘤分子生物纹理分析与生物靶区自适应勾画
  • DOI:
    --
  • 发表时间:
    2013
  • 期刊:
    中国医学影像技术
  • 影响因子:
    --
  • 作者:
    刘国才;余志浩;朱苏雨;莫逸;胡炳强;张九堂;阳维力;吴海燕
  • 通讯作者:
    吴海燕
基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    Zidonghua Xuebao/ Acta Automatica Sinica自动化学报
  • 影响因子:
    --
  • 作者:
    刘国才;王耀南
  • 通讯作者:
    王耀南
基于知识的多层Mumford-Shah向量值图像分割模型
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    自动化学报
  • 影响因子:
    --
  • 作者:
    刘国才;王耀南;段宣初
  • 通讯作者:
    段宣初
基于边缘提取和改进型整体松弛匹
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    《测绘学报》, Vol.36, No.1, 2007, P62~66
  • 影响因子:
    --
  • 作者:
    彭曙蓉, 王耀南;刘国才
  • 通讯作者:
    刘国才

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

刘国才的其他基金

肿瘤CT/CBCT/MRI/PET影像深度学习配准、分割与放疗剂量预测
  • 批准号:
  • 批准年份:
    2020
  • 资助金额:
    56 万元
  • 项目类别:
    面上项目
恶性肿瘤生物适形调强放疗PET/CT/MRI靶区智能勾画
  • 批准号:
    61271382
  • 批准年份:
    2012
  • 资助金额:
    80.0 万元
  • 项目类别:
    面上项目
复杂图像处理中的自由非连续问题及其水平集方法研究
  • 批准号:
    60872130
  • 批准年份:
    2008
  • 资助金额:
    28.0 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码