guest ::
| Home > Authorities > Grants > Record #970656 |
DFG project G:(GEPRIS)428149221
Prädiktion von Therapieansprechen und Outcome beim lokal fortgeschrittenen Rektum-Karzinom mittels Radiomics und Deep Learning: eine beispielhafte Anwendung für eine allgemein verwendbare, Deep Learning basierte Prozessierungs-Pipeline für die Bild-Klassifikation.
| Coordinator | Professorin Dr. Ulrike I. Attenberger ; Professorin Dr. Bettina Baeßler ; Professor Dr. Jürgen Hesser ; Professor Dr. Frank Gerrit Zöllner |
| Grant period | 2019 - 2022 |
| Funding body | Deutsche Forschungsgemeinschaft |
| DFG | |
| Identifier | G:(GEPRIS)428149221 |
⇧ SPP 2177: Radiomics: Nächste Generation der Medizinischen Bildgebung ⇧
Note: In der letzten Dekade hat sich das Rektum-Karzinom zur dritthäufigsten Krebs-Todesursache entwickelt. Obwohl sich Diagnose- und Behandlungsmöglichkeiten in den letzten Jahren verbessert haben, bleibt das Rektum-Karzinom im Hinblick auf das Therapieansprechen und Outcome eine sehr heterogene Krankheit.Bisher werden nur klinische und magnetresonanztomographische (MRT) Kriterien zur Therapieentscheidung herangezogen, sobald die Diagnose gesichert wurde. Obwohl sich die MRT zur Standarddiagnostik für das lokale Staging von Rektum-Karzinomen entwickelt hat, liefert sie keine Informationen zur Intratumor-Heterogenität oder zu molekularen Subtypen. Folglich sind neuartige Bildgebungs-Biomarker dringend erforderlich, um Subtypen des Rektum-Karzinoms besser charakterisieren zu können und um eine bessere Vorhersage des Behandlungsansprechens zu erreichen.Um diesen Herausforderungen zu begegnen und die Patientenversorgung zu verbessern, werden zunehmend Texturanalyse, Radiomics und Deep-Learning-Strategien eingesetzt. Die Patientenkohorten waren jedoch in vielen bisherigen Studien relativ klein, oft fehlte eine Validierungskohorte, und Bildgebungsdaten wurden in einer einzigen Institution oder in verschiedenen Zentren mit ähnlichen MRT-Scannern erhoben, sodass die Generalisierbarkeit der trainierten Modelle nicht beurteilt werden kann. Moderne Radiomics-Techniken verlagern sich daher zunehmend auf neuere Entwicklungen im Bereich des Deep Learning.Das Ziel dieser Studie ist die Entwicklung einer Radiomics- und Deep Learning-basierten Signatur für Rektum-Karzinome, die in der Lage ist, verschiedene Tumorphänotypen zu decodieren und das therapeutische Ansprechen in nicht-invasiver Weise im Zusammenhang mit der Histopathologie und Genomics / Clinomics zu vorherzusagen. Dies soll zu einer umfassenden Charakterisierung der Tumorheterogenität und Tumorbiologie durch bildgebende Kriterien führen, die zukünftig individuell zugeschnittene Behandlungsstrategien ermöglichen können. Das gesamte Framework wird auf der Grundlage von verfügbarer Open-Source-Methodik entwickelt und für die zukünftige Verwendung und Forschung zur Verfügung gestellt, wodurch eine zukünftige Umsetzung in die klinische Routine ermöglicht wird.Die verfügbaren Methoden aus den Bereichen Radiomics, künstliche Intelligenz und Computervision werden auf einen prospektiv akquirierten, gut strukturierten Multicenter-Datensatz der CAO-ARO-AIO-12-Studie angewendet, der uns bereits für diese Studie zur Verfügung gestellt wurde. Dieser Datensatz umfasst CT-Daten zur Bestrahlungsplanung, multiparametrische MRT-Daten vor und nach Therapie, histopathologische Informationen sowie klinische und genomische Daten. Ein Team von vier erfahrenen PIs aus den Bereichen der onkologischen Bildgebung, Radiomics, MRT-Physik, Strahlentherapie und Informatik wird als interdisziplinäres Team arbeiten und ihren Wissenszuwachs mit anderen Mitgliedern des Schwerpunktprogramm-Konsortiums auf Open Source-Basis teilen.
All known publications ...
Download: BibTeX | EndNote XML, Text | RIS |
Journal Article
Radiomics workflow definition & challenges - German priority program 2177 consensus statement on clinically applied radiomics
Insights into imaging 15(1), 124 (2024) [10.1186/s13244-024-01704-w]
Files
BibTeX |
EndNote:
XML,
Text |
RIS
All known publications ...
Download: BibTeX | EndNote XML, Text | RIS |