Mehdi Astaraki vinner en internationell tävling i bildsegmentering för strålbehandling
Den snabba tillväxten av metoder baserade på djupinlärning har lett till utvecklingen av ett stort antal enastående lösningar för olika tillämpningar, inklusive inom medicin. Innan sådana metoder kan användas kliniskt måste deras prestanda utvärderas och valideras noggrant och objektivt.
Under de senaste åren har internationella tävlingar för benchmarking blivit grundläggande för den objektiva bedömningen och jämförelsen av utvecklade metoder. Mehdi Astaraki, postdoktor i medicinsk strålningsfysik vid Stockholms universitet, har nyligen vunnit första platsen i en prestigefylld tävling som organiserades av International Conference on Medical Image Computing and Computer Assisted Intervention (det internationellt sett viktigaste och mest inflytelserika samfundet inom medicinsk bildanalys), med sin djupinlärningsbaserade metod för segmentering av tumörer, lymfkörtlar och normal vävnad vid strålbehandling.
"Jag tror att aktivt bidragande till öppen källkod och fri och tillgänglig vetenskap är en avgörande del av forskningen som kan hjälpa oss att hitta bättre lösningar för såväl dagens som morgondagens utmaningar", säger Mehdi.
Huvud- och halscancer (H&N) är den sjunde vanligaste cancerformen globalt sett och står för över 300 000 dödsfall per år, med strålbehandling som den vanligaste behandlingsmetoden. Avdelningen för medicinsk strålningsfysik har flera pågående projekt relaterade till H&N-cancer som fokuserar på att förbättra behandlingskvaliteten. En avgörande steg i strålbehandlingskedjan är den noggranna definitionen, s.k. segmentering, av både tumörregioner och friska strukturer baserat på avbildning med datortomografi (DT). Därför kan utvecklingen av en robust och datoriserad metod för att automatiskt upptäcka och segmentera tumörer och frisk vävnad både påskynda och förbättra processen att skapa en behandlingsplan.
Mehdi har utvecklat en djupinlärningsbaserad metod för exakt segmentering av tumörregioner, påverkade lymfkörtlar och omgivande friska strukturer i DT-bilder av H&N-regionen. För att utvärdera och validera metoden deltog han i tävlingen Segmentation of Organs-at-Risk and Gross Tumor Volume of Nasopharyngeal Carcinoma for Radiotherapy Planning (SegRap2023), som organiserades av International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI. MICCAI är det viktigaste och mest inflytelserika samfundet för uppgifter inom medicinsk bildanalys, och den årliga konferensen lockar världens ledande biomedicinska forskare, ingenjörer och kliniker från en mängd discipliner kopplade till medicinsk avbildning och datorstödd intervention.
Målet med SegRap2023-tävlingen var att utveckla automatiska verktyg för att segmentera 54 friska strukturer (uppgift 1) och 2 tumörregioner (uppgift 2). Tävlingen hölls i tre faser: i fas 1) släppte arrangörerna 120 bilddata för deltagarna att utveckla sina algoritmer lokalt; i fas 2) skulle deltagarna skicka in sina algoritmer för utvärdering på 20 uppsättningar patientdata; och i fas 3) skedde en slutlig utvärdering med inskickade algoritmer på 60 uppsättningar patientdata.
Totalt registrerade sig 395 lag från hela världen för utmaningen, med 230 lag från Kina och 32 lag från USA som de länder med flest deltagare. I den andra fasen kunde varje lag skicka in upp till 10 olika algoritmer, men i den sista fasen tilläts varje lag skicka in endast en enskild algoritm. I den andra fasen skickades över 150 modeller för uppgift 1 in, och över 70 modeller för uppgift 2. För den slutliga fasen utvärderades därtill över 30 modeller för varje uppgift. Deltagarna i utmaningen inkluderade flera ledande forskningsgrupper samt team från välkända bildföretag, inklusive Canon.
Mehdis bidrag vann första platsen i den slutliga utvärderingsfasen för Uppgift 2 och vann andra platsen i den andra utvärderingsfasen för båda uppgifterna. Detaljerna kring metoderna presenterades den 12 oktober 2023 på MICCAI-konferensen som hölls i Vancouver, Kanada, där teamet från Stockholms universitet tillkännagavs som vinnarna av tävlingen. Nästa steg för Mehdi och hans medarbetare är att integrera modellen med ett forsknings-
PACS, ett bildarkiveringssystem som främst används inom sjukvården för att säkert lagra och kommunicera medicinska bilder.
"Genom att implementera den utvecklade modellen i sjukhusets forsknings-PACS kan modellens prestanda valideras mot kliniska dataset för efterföljande tillämpning inom strålbehandlingsplanering", säger Mehdi.
Mehdi planerar att presentera sitt arbete i en News and Views-session under våren, detaljer kommer att tillkännages senare.
Senast uppdaterad: 12 december 2023
Sidansvarig: Fysikum