Projekt NEUROSCAN ma na celu opracowanie narzędzia opartego na głębokim uczeniu do analizy obrazów rezonansu magnetycznego głowy w sekwencji T1-zależnej z kontrastem. Opracowany model umożliwi segmentację struktur anatomicznych i patologicznych oraz dostarczy dane istotne klinicznie, taki jak objętość, lokalizacja i charakter zmiany. Proponowane rozwiązanie może znacząco usprawnić diagnostykę guzów mózgu oraz tętniaków wewnątrzczaszkowych, przyspieszyć triaż pacjentów i skrócić czas oczekiwania na raporty radiologiczne. Projekt będzie realizowany w Klinice Neurochirurgii i Onkologii Układu Nerwowego Uniwersytetu Medycznego w Łodzi, we współpracy z Instytutem Informatyki Politechniki Łódzkiej oraz neurochirurgami i radiologami.
W pierwszym etapie skupimy się na budowie sieci DLNN do oceny struktur anatomicznych mózgu. Prace obejmują zebranie i przygotowanie zestawu danych zawierających 500 skanów RM głowy z kontrastem, ręczną segmentację struktur anatomicznych oraz trening modelu DLNN na tych danych. Następnie sieć będzie testowana i optymalizowana w warunkach klinicznych.
Drugi etap projektu koncentruje się na rozwoju sieci DLNN do wykrywania i segmentacji różnych patologii mózgu. Wykorzystany zostanie model przygotowany w pierwszym etapie. Zgromadzone zostaną dane z 500 skanów RM głowy z kontrastem pacjentów z różnymi patologiami, takimi jak glejaki, oponiaki, nerwiaki czy tętniaki oraz dane kliniczne, w tym wyniki badań histopatologicznych oraz badań naczyniowych. Posegmentowane sekwencje T1 z kontrastem posłużą do treningu kompleksowego modelu DLNN do oceny zarówno struktur anatomicznych, jak i patologii.