APRILD - Mönstertolkning med artificiella neurala nätverk vid interstitiella lungsjukdomar

APRILD-projektets (Artificial neural network Pattern Recognition in Interstitial Lung Disease) målsättning är att utveckla algoritmer för datorstödd mönsterigenkänning i högupplösta CT-bilder på lungparenkymet, (High Resolution Computed Tomography, HRCT).
Radiologi är centralt i diagnostiken av diffust utbredda lungsjukdomar och särskilt för diagnostik av interstitiella lungsjukdomar som idiopatisk lungfibros. HRCT är den viktigaste radiologiska metoden för denna diagnostik och kan i vissa sjukdomar som idiopatisk lungfibros vara ensamt diagnostiskt. Målsättningen i APRILD-projektet är att utveckla maskininlärningsalgoritmer som kan stödja radiologen i den mönsterbedömning som utför grunden för HRCT-tolkning.

Målet uppnås genom att först skapa en stor databas med högupplösta HRCT-undersökningar och därefter använda databasen till maskininlärning inklusive artificiella neurala nätverk för mönsterigenkänning och till utveckling av segmenteringsalgoritmer för lungparenkymet och relaterade anatomiska strukturer.

Mer specifikt är målen för projektet att
* Automatisera mönstertolkningen av HRCT i lungparenkymet och fungera som second opinion för den radiolog som tolkar bilderna.
* Utveckla och validera maskininlärningsalgoritmer för att kvantifiera sjukdomsutbredning i diffusa lungsjukdomar (Computer Aided Detection, CAD).