Mammo Al (Q84106)
Jump to navigation
Jump to search
Project Q84106 in Poland
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Mammo Al |
Project Q84106 in Poland |
Statements
7,692,547.32 zloty
0 references
8,948,200.63 zloty
0 references
85.97 percent
0 references
1 October 2017
0 references
31 July 2021
0 references
PIXEL TECHNOLOGY SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
0 references
Przedmiotem projektu są badania mające na celu utworzenie sieci deep-learning (AI DP ) wykrywającej automatycznie zmiany nowotworowe na badaniach mammograficznych. Kategoryzowanie badań pacjenta pod kątem grupy nowotworowej a nawet automatyczne wskazanie konkretnego nowotworu trawiącego pacjenta. Powyższe zadania zostanie wykonane poprzez zebranie 3000 przypadków medycznych, utworzeniu sieci deep learning i sieci typu GAN wraz z kategoryzatorami (algorytmami analitycznymi). Algorytmy dokonają analizy danych i umieszczą je w formie 2D, 3D w sieci AI DP, a ta będzie się uczyć na zebranych informacjach. Efektem końcowym będzie zaawansowany moduł do przeglądarki diagnostycznej badań radiologicznych umożliwiająca radiologom drugą niezależną opinię screeningową. Planowana sprawność systemu to 95%. Sieć AI DP będzie wnioskowała zebrane dane na podstawie bieżących i historycznych badań pacjenta, uwzględniać będzie również historię rodziny pacjentów. Segmentowane będą zmiany na obrazach radiologicznych a następnie porównywane będą z wzorcami nowotworów lub zdrowych pacjentów. W kolejnym kroku nastąpi różnicowanie danych w celu określenia prawdopodobieństwa dla każdego poszczególnego nowotworu. Kluczowym elementem będzie odseparowanie wyników typu false positive. Obecnie w mammografi nie ma strukturalnego zapisywania wyników, a są one zapisywane w formie opisu tekstowego. Elementem łączącym powyższe działania będzie opracowanie nowego typu scoringu łączącego standard BI-RADS i Recist (Mrecist) w celu zapisywania wyników w formie objętości, typu nowotworu, kształtu zmiany oraz stosunków zmiany po i przed leczeniem. System w pełnej sprawności pozwoli na znaczne zmniejszenie nawet o 90% ilości biopsji jakim poddawane są obecnie pacjentki. Obecnie tylko 11% przeprowadzonych biopsji potwierdza nowotwór ( (Polish)
0 references
The aim of the project is to create a deep-learning network (AI DP) that automatically detects cancerous lesions in mammographic studies. Categorising the patient’s studies for the cancer group and even automatic indication of a particular cancer that digests the patient. The above tasks will be performed by collecting 3000 medical cases, creating a deep learning network and GAN networks with categorisers (analytical algorithms). Algorithms will analyse the data and place it in 2D, 3D form in the AI DP network, and this will learn from the collected information. The final result will be an advanced module for the diagnostic viewer of radiological tests enabling radiologists to have a second independent screening opinion. The planned efficiency of the system is 95 %. The AI DP network will infer the collected data on the basis of current and historical patient studies, and will also take into account the history of the patient’s family. Changes in radiological images will be segmented and then compared with cancer patterns or healthy patients. In the next step, data will be differentiated to determine the probability for each individual cancer. The key element will be the separation of false positive results. There is currently no structural recording of results in mammographs, and they are written in the form of textual descriptions. A combination of the above actions will be the development of a new type of scoring combining BI-RADS and RECIST (Mrecist) standards to record the results in the form of volume, type of cancer, shape of the change and the relationship of change after and before treatment. The system in full efficiency will allow for a significant reduction of up to 90 % of the amount of biopsy to which patients are currently undergoing. Currently, only 11 % of biopsy performed confirms cancer ( (English)
14 October 2020
0.90551885273446
0 references
L’objet du projet est la recherche visant à créer un réseau d’apprentissage en profondeur (AI DP) qui détecte automatiquement les lésions cancéreuses lors des tests de mammographie. Catégoriser les études du patient pour le groupe cancéreux et même indiquer automatiquement le cancer de la digestion spécifique du patient. Les tâches ci-dessus seront effectuées en rassemblant 3 000 cas médicaux, en créant des réseaux d’apprentissage profond et des réseaux GAN avec des catégorisateurs (algorithmes analytiques). Les algorithmes analyseront les données et les placeront sous la forme de 2D, 3D dans le réseau AI DP, et cela apprendra des informations collectées. Le résultat final sera un module de navigateur de diagnostic avancé pour les tests radiologiques permettant aux radiologues d’avoir un deuxième avis de dépistage indépendant. L’efficacité prévue du système est de 95 %. Le réseau AI DP demandera des données collectées sur la base de la recherche actuelle et historique des patients et tiendra également compte des antécédents familiaux des patients. Les changements dans les images radiologiques seront segmentés puis comparés aux schémas cancéreux ou aux patients en bonne santé. Dans la prochaine étape, les données seront différenciées pour déterminer la probabilité de chaque cancer individuel. L’élément clé sera de séparer les résultats faux positifs. Actuellement, il n’y a pas d’enregistrement structurel des résultats dans les mammographies, et ils sont écrits sous la forme d’une description textuelle. La combinaison des activités ci-dessus sera le développement d’un nouveau type de notation combinant les normes BI-RADS et RECIST (mRECIST) pour enregistrer les résultats sous forme de volume, type de cancer, forme de changement et relations de changement post-traitement. Le système en pleine efficacité permettra une réduction significative allant jusqu’à 90 % de la quantité de biopsie à laquelle les patients sont actuellement soumis. Actuellement, seulement 11 % de la biopsie est confirmée par le cancer ( (French)
30 November 2021
0 references
Gegenstand des Projekts ist die Schaffung eines Deep-Learning-Netzwerks (AI DP), das automatisch Krebsläsionen bei Mammographietests erkennt. Kategorisieren Sie die Studien des Patienten für die Krebsgruppe und zeigen sogar automatisch den spezifischen Verdauungskrebs des Patienten an. Die oben genannten Aufgaben werden durch das Sammeln von 3.000 medizinischen Fällen, die Schaffung von Deep-Learning-Netzwerken und GAN-Netzwerken zusammen mit Kategorisatoren (analytische Algorithmen) erledigt. Algorithmen analysieren die Daten und platzieren sie in Form von 2D, 3D im AI DP-Netzwerk, und dies wird aus den gesammelten Informationen lernen. Das Endergebnis wird ein erweitertes Diagnose-Browsermodul für radiologische Tests sein, das es den Radiologen ermöglicht, eine zweite unabhängige Screening-Stellungnahme zu erhalten. Die geplante Effizienz des Systems beträgt 95 %. Das AI DP-Netzwerk wird gesammelte Daten auf der Grundlage aktueller und historischer Patientenforschung anfordern und auch die Patientenfamiliengeschichte berücksichtigen. Veränderungen in radiologischen Bildern werden segmentiert und dann mit Krebsmustern oder gesunden Patienten verglichen. Im nächsten Schritt werden die Daten differenziert, um die Wahrscheinlichkeit für jeden einzelnen Krebs zu bestimmen. Das Schlüsselelement ist die Trennung von falsch positiven Ergebnissen. Derzeit gibt es keine strukturelle Aufzeichnung von Ergebnissen in Mammographen, und sie sind in Form einer Textbeschreibung geschrieben. Die Kombination der oben genannten Aktivitäten wird die Entwicklung eines neuen Scoring-Typs sein, der die BI-RADS- und RECIST-Standards (mRECIST) kombiniert, um die Ergebnisse in Form von Volumen, Krebsart, Veränderungsform und Veränderungen nach der Behandlung zu speichern. Das System in voller Effizienz ermöglicht eine signifikante Reduzierung von bis zu 90 % der Menge an Biopsie, der Patienten derzeit ausgesetzt sind. Derzeit werden nur 11 % der Biopsie durch Krebs bestätigt ( (German)
7 December 2021
0 references
Het onderwerp van het project is onderzoek gericht op het creëren van een deep-learning netwerk (AI DP) dat automatisch kankerlaesies detecteert op mammografietests. Categoriseer de studies van de patiënt voor de kankergroep en geef zelfs automatisch de specifieke spijsverteringskanker van de patiënt aan. De bovenstaande taken zullen worden uitgevoerd door het verzamelen van 3.000 medische cases, het creëren van deep learning netwerken en GAN netwerken samen met categorisers (analytische algoritmen). Algoritmen analyseren de gegevens en plaatsen deze in de vorm van 2D, 3D in het AI DP-netwerk, en dit zal leren van de verzamelde informatie. Het eindresultaat is een geavanceerde diagnostische browsermodule voor radiologische tests waardoor radiologen een tweede onafhankelijke screeningsadvies kunnen hebben. De geplande efficiëntie van het systeem is 95 %. Het AI DP-netwerk zal verzamelde gegevens op basis van huidig en historisch patiëntenonderzoek vragen en zal ook rekening houden met de patiëntenfamiliegeschiedenis. Veranderingen in radiologische beelden worden gesegmenteerd en vervolgens vergeleken met kankerpatronen of gezonde patiënten. In de volgende stap zullen de gegevens worden gedifferentieerd om de waarschijnlijkheid voor elke individuele kanker te bepalen. Het belangrijkste element is het scheiden van valse positieve resultaten. Momenteel is er geen structurele registratie van resultaten in mammografen, en ze zijn geschreven in de vorm van een tekstbeschrijving. De combinatie van bovenstaande activiteiten is de ontwikkeling van een nieuw scoretype dat de BI-RADS- en RECIST-normen (mRECIST) combineert om de resultaten te bewaren in de vorm van volume, type kanker, vorm van verandering en veranderingsrelaties na de behandeling. Het systeem in volledige efficiëntie zorgt voor een aanzienlijke vermindering tot 90 % van de hoeveelheid biopsie waaraan patiënten momenteel worden onderworpen. Momenteel wordt slechts 11 % van de biopsie bevestigd door kanker ( (Dutch)
16 December 2021
0 references
Oggetto del progetto è la ricerca finalizzata alla creazione di una rete di deep learning (AI DP) che rileva automaticamente le lesioni tumorali nei test di mammografia. Categorizzare gli studi del paziente per il gruppo oncologico e persino indicare automaticamente il cancro specifico della digestione del paziente. I compiti di cui sopra saranno svolti raccogliendo 3.000 casi medici, creando reti di deep learning e reti GAN insieme a categorizzatori (algoritmi analitici). Gli algoritmi analizzeranno i dati e li metteranno sotto forma di 2D, 3D nella rete AI DP, e questo apprenderà dalle informazioni raccolte. Il risultato finale sarà un modulo avanzato del browser diagnostico per i test radiologici che consente ai radiologi di avere una seconda opinione di screening indipendente. L'efficienza pianificata del sistema è del 95 %. La rete AI DP richiederà i dati raccolti sulla base della ricerca dei pazienti attuali e storici e terrà conto anche della storia familiare del paziente. I cambiamenti nelle immagini radiologiche saranno segmentati e poi confrontati con modelli di cancro o pazienti sani. Nella fase successiva, i dati saranno differenziati per determinare la probabilità per ogni singolo cancro. L'elemento chiave sarà separare i risultati falsi positivi. Attualmente, non vi è alcuna registrazione strutturale dei risultati in mammografie, e sono scritti sotto forma di una descrizione testuale. La combinazione delle attività di cui sopra sarà lo sviluppo di un nuovo tipo di punteggio che combina gli standard BI-RADS e RECIST (mRECIST) per salvare i risultati sotto forma di volume, tipo di cancro, forma di cambiamento e relazioni di cambiamento post-trattamento. Il sistema in piena efficienza consentirà una significativa riduzione fino al 90 % della quantità di biopsia a cui i pazienti sono attualmente sottoposti. Attualmente, solo l'11 % della biopsia è confermata dal cancro ( (Italian)
16 January 2022
0 references
El tema del proyecto es la investigación destinada a crear una red de aprendizaje profundo (AI DP) que detecte automáticamente las lesiones cancerosas en las pruebas de mamografía. Categorice los estudios del paciente para el grupo de cáncer e incluso indique automáticamente el cáncer de digestión específico del paciente. Las tareas anteriores se realizarán reuniendo 3.000 casos médicos, creando redes de aprendizaje profundo y redes GAN junto con categorizadores (algoritmos analíticos). Los algoritmos analizarán los datos y los colocarán en forma de 2D, 3D en la red de AI DP, y esto aprenderá de la información recopilada. El resultado final será un módulo avanzado de navegador de diagnóstico para pruebas radiológicas que permita a los radiólogos tener una segunda opinión de detección independiente. La eficiencia prevista del sistema es del 95 %. La red de AI DP solicitará datos recopilados sobre la base de la investigación actual e histórica del paciente y también tendrá en cuenta el historial familiar del paciente. Los cambios en las imágenes radiológicas se segmentarán y luego se compararán con patrones de cáncer o pacientes sanos. En el siguiente paso, los datos se diferenciarán para determinar la probabilidad de cada cáncer individual. El elemento clave será la separación de resultados falsos positivos. Actualmente, no hay registro estructural de los resultados en mamografías, y se escriben en forma de descripción de texto. La combinación de las actividades anteriores será el desarrollo de un nuevo tipo de puntuación que combine los estándares BI-RADS y RECIST (mRECIST) para guardar los resultados en forma de volumen, tipo de cáncer, forma de cambio y relaciones de cambio post-tratamiento. El sistema en plena eficiencia permitirá una reducción significativa de hasta el 90 % de la cantidad de biopsia a la que se someten actualmente los pacientes. Actualmente, solo el 11 % de la biopsia está confirmada por el cáncer ( (Spanish)
19 January 2022
0 references
Projektets emne er forskning, der har til formål at skabe et deep-learning netværk (AI DP), der automatisk registrerer kræftlæsioner på mammografitest. Kategorisere patientens undersøgelser for kræftgruppen og endda automatisk angive patientens specifikke fordøjelseskræft. Ovenstående opgaver vil blive udført ved at indsamle 3.000 medicinske tilfælde, skabe dybe læringsnetværk og GAN-netværk sammen med kategorier (analytiske algoritmer). Algoritmer vil analysere dataene og placere dem i form af 2D, 3D i AI DP-netværket, og dette vil lære af de indsamlede oplysninger. Slutresultatet vil være et avanceret diagnostisk browsermodul til radiologiske tests, der giver radiologer mulighed for at få en anden uafhængig screeningudtalelse. Den planlagte effektivitet af systemet er 95 %. AI DP-netværket vil anmode om indsamlede data baseret på nuværende og historiske patientforskning og vil også tage hensyn til patientens familiehistorie. Ændringer i radiologiske billeder vil blive segmenteret og derefter sammenlignet med kræftmønstre eller raske patienter. I det næste trin vil dataene blive differentieret for at bestemme sandsynligheden for hver enkelt kræft. Det centrale element vil være at adskille falske positive resultater. I øjeblikket er der ingen strukturel registrering af resultater i mammografier, og de er skrevet i form af en tekstbeskrivelse. Kombinationen af ovennævnte aktiviteter vil være udviklingen af en ny scoring type, der kombinerer BI-RADS og RECIST (mRECIST) standarder for at gemme resultaterne i form af volumen, type kræft, form for forandring og post-behandling ændre relationer. Systemet i fuld effektivitet vil give mulighed for en betydelig reduktion på op til 90 % af den mængde biopsi, som patienter i øjeblikket udsættes for. I øjeblikket er kun 11 % af biopsien bekræftet af kræft ( (Danish)
26 July 2022
0 references
Το αντικείμενο του έργου είναι η έρευνα που στοχεύει στη δημιουργία ενός δικτύου βαθιάς μάθησης (AI DP) που ανιχνεύει αυτόματα καρκινικές βλάβες σε μαστογραφίες. Κατηγοριοποιήστε τις μελέτες του ασθενούς για την ομάδα του καρκίνου και ακόμη και αυτόματα υποδεικνύουν τον συγκεκριμένο καρκίνο πέψης του ασθενούς. Τα παραπάνω καθήκοντα θα γίνουν με τη συγκέντρωση 3.000 ιατρικών υποθέσεων, δημιουργώντας δίκτυα βαθιάς μάθησης και δίκτυα GAN μαζί με κατηγοριοποιητές (αναλυτικοί αλγόριθμοι). Οι αλγόριθμοι θα αναλύσουν τα δεδομένα και θα τα τοποθετήσουν με τη μορφή 2D, 3D στο δίκτυο AI DP, και αυτό θα μάθει από τις συλλεγόμενες πληροφορίες. Το τελικό αποτέλεσμα θα είναι μια προηγμένη ενότητα διαγνωστικού προγράμματος περιήγησης για ακτινολογικές εξετάσεις που θα επιτρέπει στους ακτινολόγους να έχουν μια δεύτερη ανεξάρτητη γνώμη ελέγχου. Η σχεδιαζόμενη αποτελεσματικότητα του συστήματος είναι 95 %. Το δίκτυο DP AI θα ζητήσει συλλεχθέντα δεδομένα με βάση την τρέχουσα και την ιστορική έρευνα ασθενών και θα λαμβάνει επίσης υπόψη το οικογενειακό ιστορικό των ασθενών. Οι αλλαγές στις ακτινολογικές εικόνες θα κατατμηθούν και στη συνέχεια θα συγκριθούν με τα πρότυπα καρκίνου ή τους υγιείς ασθενείς. Στο επόμενο βήμα, τα δεδομένα θα διαφοροποιηθούν για να προσδιοριστεί η πιθανότητα για κάθε μεμονωμένο καρκίνο. Το βασικό στοιχείο θα είναι ο διαχωρισμός ψευδώς θετικών αποτελεσμάτων. Επί του παρόντος, δεν υπάρχει δομική καταγραφή των αποτελεσμάτων σε μαστογραφίες, και είναι γραμμένα με τη μορφή περιγραφής κειμένου. Ο συνδυασμός των παραπάνω δραστηριοτήτων θα είναι η ανάπτυξη ενός νέου τύπου βαθμολόγησης που θα συνδυάζει τα πρότυπα BI-RADS και RECIST (mRECIST) για να σώσει τα αποτελέσματα με τη μορφή όγκου, τύπου καρκίνου, σχήματος αλλαγής και μετα-θεραπευτικών σχέσεων αλλαγής. Το σύστημα με πλήρη αποτελεσματικότητα θα επιτρέψει σημαντική μείωση έως και 90 % της ποσότητας βιοψίας στην οποία υποβάλλονται επί του παρόντος οι ασθενείς. Επί του παρόντος, μόνο το 11 % της βιοψίας επιβεβαιώνεται από καρκίνο ( (Greek)
26 July 2022
0 references
Predmet projekta je istraživanje usmjereno na stvaranje mreže dubokog učenja (AI DP) koja automatski detektira lezije raka na mamografskim testovima. Kategorizirati bolesnikove studije za skupinu raka, pa čak i automatski ukazati na specifičan rak probave pacijenta. Gore navedeni zadaci obavit će se prikupljanjem 3000 medicinskih slučajeva, stvaranjem mreža dubokog učenja i GAN mreža zajedno s katalozima (analitičkim algoritmima). Algoritmi će analizirati podatke i postaviti ih u obliku 2D, 3D u AI DP mreži, a to će naučiti iz prikupljenih informacija. Krajnji rezultat bit će napredni dijagnostički modul preglednika za radiološke testove koji će omogućiti radiolozima drugo neovisno mišljenje probira. Planirana učinkovitost sustava je 95 %. AI DP mreža zahtijevat će prikupljene podatke na temelju trenutnih i povijesnih istraživanja pacijenata te će također uzeti u obzir obiteljsku anamnezu pacijenata. Promjene u radiološkim slikama bit će segmentirane i zatim uspoređene s obrascima raka ili zdravim pacijentima. U sljedećem koraku, podaci će biti diferencirani kako bi se utvrdila vjerojatnost svakog pojedinog raka. Ključni element će biti odvajanje lažno pozitivnih rezultata. Trenutno nema strukturnog snimanja rezultata u mamografima, a oni su napisani u obliku opisa teksta. Kombinacija gore navedenih aktivnosti bit će razvoj novog tipa bodovanja kombinirajući BI-RADS i RECIST (mRECIST) standarde kako bi se spasili rezultati u obliku volumena, vrste raka, oblika promjene i odnosa promjene nakon liječenja. Sustav u punoj učinkovitosti omogućit će značajno smanjenje do 90 % količine biopsije kojoj su bolesnici trenutno izloženi. Trenutačno je samo 11 % biopsije potvrđeno rakom ( (Croatian)
26 July 2022
0 references
Subiectul proiectului este cercetarea care vizează crearea unei rețele de învățare profundă (AI DP) care detectează automat leziunile cancerului la testele de mamografie. Clasificați studiile pacientului pentru grupul de cancer și chiar indică automat cancerul de digestie specific pacientului. Sarcinile de mai sus se vor realiza prin colectarea a 3.000 de cazuri medicale, crearea de rețele de învățare profundă și rețele GAN împreună cu categorisitori (algoritmi analitici). Algoritmii vor analiza datele și le vor plasa sub formă de 2D, 3D în rețeaua AI DP, iar acest lucru va învăța din informațiile colectate. Rezultatul final va fi un modul avansat de diagnosticare pentru teste radiologice care permite radiologilor să aibă o a doua opinie independentă de screening. Eficiența planificată a sistemului este de 95 %. Rețeaua AI DP va solicita date colectate pe baza cercetărilor actuale și istorice ale pacienților și va ține seama, de asemenea, de istoricul familial al pacienților. Modificările imaginilor radiologice vor fi segmentate și apoi comparate cu modelele de cancer sau cu pacienții sănătoși. În următorul pas, datele vor fi diferențiate pentru a determina probabilitatea pentru fiecare cancer individual. Elementul cheie va fi separarea rezultatelor fals pozitive. În prezent, nu există nicio înregistrare structurală a rezultatelor în mamografe și acestea sunt scrise sub forma unei descrieri a textului. Combinația dintre activitățile de mai sus va fi dezvoltarea unui nou tip de punctare care combină standardele BI-RADS și RECIST (mRECIST) pentru a salva rezultatele sub formă de volum, tip de cancer, formă de schimbare și relații de schimbare post-tratament. Sistemul în deplină eficiență va permite o reducere semnificativă cu până la 90 % a cantității de biopsie la care pacienții sunt supuși în prezent. În prezent, doar 11 % din biopsie este confirmată de cancer. (Romanian)
26 July 2022
0 references
Predmetom projektu je výskum zameraný na vytvorenie siete hlbokého učenia (AI DP), ktorá automaticky detekuje lézie rakoviny na mamografických testoch. Kategorizujte štúdie pacienta pre skupinu s rakovinou a dokonca automaticky indikujte pacientovu špecifickú rakovinu trávenia. Vyššie uvedené úlohy sa vykonajú zhromažďovaním 3 000 lekárskych prípadov, vytvorením sietí hĺbkového učenia a sietí GAN spolu s kategorizátormi (analytické algoritmy). Algoritmy budú analyzovať údaje a umiestniť ich vo forme 2D, 3D v sieti AI DP, a to sa poučí zo zozbieraných informácií. Konečným výsledkom bude pokročilý modul diagnostického prehliadača pre rádiologické testy, ktorý rádiológom umožní získať druhý nezávislý skríningový názor. Plánovaná účinnosť systému je 95 %. Sieť AI DP bude vyžadovať zozbierané údaje na základe súčasného a historického výskumu pacientov a zohľadní aj rodinnú anamnézu pacienta. Zmeny v rádiologických obrazoch budú segmentované a potom porovnané s onkologickými modelmi alebo zdravými pacientmi. V ďalšom kroku budú údaje diferencované, aby sa určila pravdepodobnosť pre každú jednotlivú rakovinu. Kľúčovým prvkom bude oddelenie falošne pozitívnych výsledkov. V súčasnosti neexistuje štrukturálna evidencia výsledkov v mamografoch a sú napísané vo forme opisu textu. Kombináciou vyššie uvedených činností bude vývoj nového typu bodovania, ktorý kombinuje štandardy BI-RADS a RECIST (mRECIST) s cieľom ušetriť výsledky vo forme objemu, typu rakoviny, tvaru zmeny a vzťahov so zmenou po liečbe. Systém s plnou účinnosťou umožní výrazné zníženie až o 90 % množstva biopsie, ktorej sú pacienti v súčasnosti vystavení. V súčasnosti je len 11 % biopsie potvrdených rakovinou. (Slovak)
26 July 2022
0 references
Is-suġġett tal-proġett huwa r-riċerka mmirata lejn il-ħolqien ta’ netwerk ta’ tagħlim profond (IA DP) li awtomatikament jinduna bil-leżjonijiet tal-kanċer fit-testijiet tal-mammografija. Ikkategorizza l-istudji tal-pazjent għall-grupp tal-kanċer u saħansitra jindika awtomatikament il-kanċer tad-diġestjoni speċifiku tal-pazjent. Il-kompiti ta’ hawn fuq se jsiru billi jinġabru 3,000 każ mediku, jinħolqu netwerks ta’ tagħlim profondi u netwerks tal-GAN flimkien ma’ kategoriżi (algoritmi analitiċi). L-algoritmi se janalizzaw id-data u jpoġġuha fil-forma ta’ 2D, 3D fin-netwerk AI DP, u dan se jitgħallem mill-informazzjoni miġbura. Ir-riżultat aħħari se jkun modulu ta’ brawżer dijanjostiku avvanzat għat-testijiet radjoloġiċi li jippermetti lir-radjoloġisti li jkollhom it-tieni opinjoni indipendenti dwar l-iskrinjar. L-effiċjenza ppjanata tas-sistema hija ta’ 95 %. In-netwerk AI DP se jitlob data miġbura abbażi tar-riċerka attwali u storika tal-pazjenti u se jqis ukoll l-istorja tal-familja tal-pazjenti. Bidliet fl-immaġini radjoloġiċi se jiġu segmentati u mbagħad imqabbla ma’ xejriet ta’ kanċer jew pazjenti b’saħħithom. Fil-pass li jmiss, id-data se tkun differenzjata biex tiġi ddeterminata l-probabbiltà għal kull kanċer individwali. L-element ewlieni se jkun is-separazzjoni tar-riżultati pożittivi foloz. Bħalissa, m’hemm l-ebda reġistrazzjoni strutturali ta’ riżultati f’mammografi, u huma miktuba fil-forma ta’ deskrizzjoni ta’ test. Il-kombinazzjoni tal-attivitajiet ta’ hawn fuq se tkun l-iżvilupp ta’ tip ta’ punteġġ ġdid li jgħaqqad l-istandards BI-RADS u RECIST (mRECIST) biex isalva r-riżultati fil-forma ta’ volum, tip ta’ kanċer, forma ta’ bidla u relazzjonijiet ta’ bidla wara t-trattament. Is-sistema fl-effiċjenza sħiħa se tippermetti tnaqqis sinifikanti sa 90 % tal-ammont ta’ bijopsija li l-pazjenti huma soġġetti għaliha bħalissa. Bħalissa, 11 % biss tal-bijopsija hija kkonfermata mill-kanċer ( (Maltese)
26 July 2022
0 references
O objetivo do projeto é criar uma rede de aprendizagem profunda (AI DP) que detete automaticamente lesões cancerígenas em estudos mamográficos. Categorização dos estudos do doente para o grupo de cancro e até indicação automática de um cancro específico que digere o doente. As tarefas acima referidas serão realizadas através da recolha de 3000 casos médicos, da criação de uma rede de aprendizagem profunda e de redes GAN com categorizadores (algoritmos analíticos). Os algoritmos analisarão os dados e os colocarão em forma 2D e 3D na rede de IA DP, o que aprenderá com as informações recolhidas. O resultado final será um módulo avançado para o visualizador de diagnóstico de testes radiológicos que permitirá aos radiologistas ter uma segunda opinião de triagem independente. A eficiência prevista do sistema é de 95 %. A rede de IA DP inferirá os dados recolhidos com base em estudos atuais e históricos dos doentes e terá igualmente em conta a história da família do doente. As alterações nas imagens radiológicas serão segmentadas e depois comparadas com padrões de cancro ou pacientes saudáveis. Na etapa seguinte, os dados serão diferenciados para determinar a probabilidade para cada cancro individual. O elemento-chave será a separação de resultados falsos positivos. Atualmente, não há registro estrutural dos resultados em mamógrafos, e eles são escritos na forma de descrições textuais. Uma combinação das ações acima referidas será o desenvolvimento de um novo tipo de pontuação que combine as normas BI-RADS e RECIST (Mrecist) para registar os resultados sob a forma de volume, tipo de cancro, forma da alteração e relação da alteração após e antes do tratamento. O sistema em plena eficiência permitirá uma redução significativa de até 90 % da quantidade de biópsia a que os doentes estão atualmente a ser submetidos. Atualmente, apenas 11 % das biópsias realizadas confirmam a existência de cancro ( (Portuguese)
26 July 2022
0 references
Hankkeen aiheena on tutkimus, jonka tavoitteena on luoda syväoppimisverkosto (AI DP), joka automaattisesti havaitsee syöpävaurioita mammografiatesteissä. Luokittele potilaan tutkimukset syöpäryhmälle ja jopa automaattisesti osoittaa potilaan spesifinen ruoansulatussyövän. Edellä mainitut tehtävät toteutetaan keräämällä 3 000 lääketieteellistä tapausta, luomalla syväoppimisverkostoja ja GAN-verkostoja yhdessä luokittelijoiden kanssa (analyyttiset algoritmit). Algoritmit analysoivat dataa ja sijoittavat sen 2D: n, 3D: n muodossa AI DP-verkostoon, ja tämä oppii kerätyistä tiedoista. Tuloksena on radiologisten testien edistyksellinen diagnostiikkaselainmoduuli, jonka avulla radiologit voivat saada toisen riippumattoman seulontalausunnon. Järjestelmän suunniteltu tehokkuus on 95 %. Tekoälyn DP-verkosto pyytää kerättyä tietoa nykyisen ja historiallisen potilastutkimuksen perusteella ja ottaa huomioon myös potilaan perhehistorian. Muutokset radiologisissa kuvissa segmentoidaan ja sitten verrataan syöpäkuvioihin tai terveisiin potilaisiin. Seuraavassa vaiheessa tiedot eriytetään kunkin yksittäisen syövän todennäköisyyden määrittämiseksi. Keskeinen tekijä on väärien positiivisten tulosten erottaminen toisistaan. Tällä hetkellä ei ole olemassa rakenteellista kirjaamista tuloksista mammografia, ja ne on kirjoitettu muodossa tekstin kuvaus. Edellä mainittujen toimintojen yhdistelmänä on uuden pisteytystyypin kehittäminen, jossa yhdistyvät BI-RADS- ja RECIST-standardit (mRECIST) tulosten säästämiseksi tilavuuden, syövän tyypin, muutoksen muodon ja hoidon jälkeisen muutoksen suhteen muodossa. Täysin tehokkaalla järjestelmällä voidaan vähentää merkittävästi jopa 90 % siitä biopsiasta, jota potilaat tällä hetkellä saavat. Tällä hetkellä vain 11 % biopsiasta on vahvistettu syövällä ( (Finnish)
26 July 2022
0 references
Predmet projekta so raziskave, namenjene vzpostavitvi mreže za globoko učenje (AI DP), ki samodejno zazna rakave lezije na testih mamografije. Kategorizirati bolnikove študije za skupino raka in celo samodejno navesti bolnikovega specifičnega raka prebave. Zgoraj navedene naloge bodo opravljene z zbiranjem 3.000 medicinskih primerov, ustvarjanjem omrežij globokega učenja in omrežij GAN skupaj z kategorizatorji (analitični algoritmi). Algoritmi bodo analizirali podatke in jih umestili v obliki 2D, 3D v omrežje AI DP, kar se bo naučilo iz zbranih informacij. Končni rezultat bo napredni diagnostični modul brskalnika za radiološke teste, ki radiologom omogočajo drugo neodvisno presejalno mnenje. Načrtovana učinkovitost sistema je 95 %. Mreža AI DP bo zahtevala zbrane podatke na podlagi trenutnih in zgodovinskih raziskav bolnikov, upoštevala pa bo tudi družinsko anamnezo pacientov. Spremembe v radioloških slikah bodo razdeljene in nato primerjane z vzorci raka ali zdravimi bolniki. V naslednjem koraku se bodo podatki razlikovali, da se določi verjetnost vsakega posameznega raka. Ključni element bo ločevanje lažnih pozitivnih rezultatov. Trenutno ni strukturnega zapisa rezultatov v mamografih in so napisani v obliki opisa besedila. Kombinacija zgoraj navedenih dejavnosti bo razvoj nove vrste točkovanja, ki bo združevala standarde BI-RADS in RECIST (mRECIST), da bi prihranili rezultate v obliki obsega, vrste raka, oblike sprememb in odnosov med spremembami po zdravljenju. Sistem s popolno učinkovitostjo bo omogočil znatno zmanjšanje do 90 % količine biopsije, ki je trenutno podvržena bolnikom. Trenutno je le 11 % biopsije potrjeno z rakom ( (Slovenian)
26 July 2022
0 references
Předmětem projektu je výzkum zaměřený na vytvoření sítě hlubokého učení (AI DP), která automaticky detekuje nádorové léze na mamografických testech. Kategorizujte pacientovy studie pro onkologickou skupinu a dokonce automaticky indikují konkrétní rakovinu trávení pacienta. Výše uvedené úkoly budou provedeny shromážděním 3 000 lékařských případů, vytvořením sítí hlubokého učení a sítí GAN společně s kategorizátory (analytické algoritmy). Algoritmy budou analyzovat data a umístit je ve formě 2D, 3D v síti AI DP, a to se poučí ze shromážděných informací. Konečným výsledkem bude pokročilý modul diagnostického prohlížeče pro radiologické testy, který radiologům umožní získat druhý nezávislý screeningový posudek. Plánovaná účinnost systému je 95 %. Síť AI DP bude vyžadovat shromážděná data na základě současného a historického výzkumu pacientů a bude také brát v úvahu anamnézu rodiny pacientů. Změny v radiologických obrazech budou segmentovány a následně porovnávány se vzorci rakoviny nebo zdravými pacienty. V dalším kroku budou data diferencována, aby se určila pravděpodobnost pro každou jednotlivou rakovinu. Klíčovým prvkem bude oddělení falešně pozitivních výsledků. V současné době neexistuje žádný strukturní záznam výsledků v mamografech a jsou psány ve formě popisu textu. Kombinací výše uvedených aktivit bude vývoj nového bodovacího typu, který kombinuje standardy BI-RADS a RECIST (mRECIST), aby se ušetřily výsledky ve formě objemu, typu rakoviny, tvaru změny a vztahů se změnami po léčbě. Systém s plnou účinností umožní výrazné snížení až o 90 % množství biopsie, které jsou pacienti v současné době podrobeni. V současné době je pouze 11 % biopsie potvrzeno rakovinou ( (Czech)
26 July 2022
0 references
Projekto tema – moksliniai tyrimai, kuriais siekiama sukurti giliojo mokymosi tinklą (AI DP), kuris automatiškai aptinka vėžio pažeidimus atliekant mamografinius tyrimus. Skirkite paciento tyrimus pagal vėžio grupę ir netgi automatiškai nurodykite specifinį paciento virškinimo vėžį. Minėtos užduotys bus atliekamos surinkus 3000 medicininių atvejų, kuriant giliojo mokymosi tinklus ir GAN tinklus kartu su kategorizatoriais (analitiniais algoritmais). Algoritmai analizuos duomenis ir patalpins juos į AI DP tinklą kaip 2D, 3D, ir tai sužinos iš surinktos informacijos. Galutinis rezultatas bus pažangus diagnostikos naršyklės modulis radiologiniams tyrimams, leidžiantis radiologams gauti antrą nepriklausomą atrankos nuomonę. Planuojamas sistemos efektyvumas yra 95 %. AI DP tinklas prašys surinkti duomenis, pagrįstus dabartiniais ir istoriniais pacientų tyrimais, taip pat atsižvelgs į pacientų šeimos istoriją. Radiologinių vaizdų pokyčiai bus suskirstyti į segmentus ir tada lyginami su vėžio modeliais arba sveikais pacientais. Kitame etape duomenys bus diferencijuojami, kad būtų galima nustatyti kiekvieno atskiro vėžio tikimybę. Pagrindinis elementas bus klaidingų teigiamų rezultatų atskyrimas. Šiuo metu nėra struktūrinio rezultatų įrašymo į mamografus, ir jie parašyti teksto aprašymo forma. Pirmiau minėtų veiklų derinys bus naujo balų tipo, derinant BI-RADS ir RECIST (mRECIST) standartus, kūrimas, siekiant išsaugoti rezultatus tūrio, vėžio tipo, pokyčių formos ir santykių po gydymo metu. Visiško veiksmingumo sistema leis gerokai iki 90 proc. sumažinti biopsijos, kurią šiuo metu patiria pacientai, kiekį. Šiuo metu tik 11 % biopsijos patvirtina vėžys ( (Lithuanian)
26 July 2022
0 references
Projekta priekšmets ir pētījums, kura mērķis ir izveidot padziļinātu mācību tīklu (AI DP), kas automātiski atklāj vēža bojājumus mamogrāfijas testos. Kategorizējiet pacienta pētījumus par vēža grupu un pat automātiski norādiet pacienta specifisko gremošanas vēzi. Iepriekš minētie uzdevumi tiks veikti, apkopojot 3000 medicīnisko gadījumu, izveidojot dziļus mācību tīklus un GAN tīklus kopā ar kategorizētājiem (analītiskos algoritmus). Algoritmi analizēs datus un izvietos tos 2D, 3D formātā AI DP tīklā, un tas mācīsies no savāktās informācijas. Gala rezultāts būs uzlabots diagnostikas pārlūka modulis radioloģiskiem testiem, kas ļauj radiologiem iegūt otru neatkarīgu skrīninga atzinumu. Sistēmas plānotā efektivitāte ir 95 %. AI DP tīkls pieprasīs apkopotos datus, pamatojoties uz pašreizējiem un vēsturiskajiem pacientu pētījumiem, kā arī ņems vērā pacientu ģimenes vēsturi. Radioloģisko attēlu izmaiņas tiks segmentētas un pēc tam salīdzinātas ar vēža modeļiem vai veseliem pacientiem. Nākamajā posmā dati tiks diferencēti, lai noteiktu katra vēža varbūtību. Galvenais elements būs nepatiesi pozitīvu rezultātu nodalīšana. Pašlaik mamogrāfijā nav rezultātu strukturālu ierakstu, un tie ir rakstīti teksta apraksta veidā. Iepriekš minēto darbību kombinācija būs jauna vērtēšanas veida izstrāde, apvienojot BI-RADS un RECIST (mRECIST) standartus, lai saglabātu rezultātus apjoma, vēža veida, pārmaiņu formas un pēc ārstēšanas maiņas attiecību veidā. Pilnīgas efektivitātes sistēma ļaus ievērojami samazināt līdz pat 90 % no biopsijas apjoma, kas pašlaik tiek pakļauts pacientiem. Pašlaik tikai 11 % biopsijas apstiprina vēzis ( (Latvian)
26 July 2022
0 references
Предмет на проекта са изследвания, насочени към създаване на мрежа за дълбоко обучение (AI DP), която автоматично открива ракови лезии на мамографски тестове. Категоризирайте проучванията на пациента за раковата група и дори автоматично показвайте специфичния рак на храносмилането на пациента. Горепосочените задачи ще бъдат изпълнени чрез събиране на 3000 медицински случая, създаване на мрежи за дълбоко обучение и GAN мрежи заедно с категоризатори (аналитични алгоритми). Алгоритмите ще анализират данните и ще ги поставят под формата на 2D, 3D в мрежата на AI DP и това ще се поучи от събраната информация. Крайният резултат ще бъде усъвършенстван модул за диагностични браузъри за радиологични тестове, който ще позволи на рентгенолозите да получат второ независимо мнение за скрининга. Планираната ефективност на системата е 95 %. Мрежата на AI DP ще изисква събрани данни въз основа на текущи и исторически изследвания на пациентите и ще вземе предвид и фамилната история на пациентите. Промените в радиологичните изображения ще бъдат сегментирани и след това сравнени с раковите модели или здравите пациенти. В следващата стъпка данните ще бъдат диференцирани, за да се определи вероятността за всеки отделен рак. Ключовият елемент ще бъде разделянето на фалшивите положителни резултати. В момента няма структурен запис на резултатите при мамографиите и те са написани под формата на текстово описание. Комбинацията от горепосочените дейности ще бъде разработването на нов точков тип, съчетаващ стандартите BI-RADS и RECIST (mRECIST), за да се спестят резултатите под формата на обем, вид рак, форма на промяна и отношения на промяна след лечението. Системата с пълна ефективност ще позволи значително намаляване с до 90 % на количеството биопсия, на която пациентите в момента са подложени. В момента само 11 % от биопсията се потвърждава от рак. (Bulgarian)
26 July 2022
0 references
A projekt tárgya egy mélytanulási hálózat (AI DP) létrehozása, amely automatikusan felismeri a rákos elváltozásokat a mammográfiai teszteken. Kategorizálja a beteg vizsgálatait a rákos csoport számára, és automatikusan jelzi a beteg specifikus emésztési rákját. A fenti feladatokat 3000 orvosi eset összegyűjtésével, mélytanulási hálózatok és GAN hálózatok létrehozásával, kategorizálókkal (analitikai algoritmusokkal) végezzük. Az algoritmusok elemzik az adatokat, és 2D, 3D formában helyezik el az AI DP hálózatban, és ez tanul az összegyűjtött információkból. A végeredmény egy fejlett diagnosztikai böngésző modul lesz radiológiai vizsgálatokhoz, amely lehetővé teszi a radiológusok számára, hogy egy második független szűrővéleményt kapjanak. A rendszer tervezett hatékonysága 95%. Az AI DP hálózat a betegek jelenlegi és történeti kutatásai alapján gyűjti az összegyűjtött adatokat, és figyelembe veszi a betegcsalád történetét is. A radiológiai képek változásait szegmentálják, majd összehasonlítják a rákos mintákkal vagy az egészséges betegekkel. A következő lépésben az adatok differenciálásra kerülnek, hogy meghatározzák az egyes rákok valószínűségét. A legfontosabb elem a hamis pozitív eredmények szétválasztása. Jelenleg a mammográfokban nincs strukturális rögzítés az eredményekről, és ezek szöveges leírás formájában vannak megírva. A fenti tevékenységek kombinációja egy új pontozási típus kifejlesztése lesz, amely egyesíti a BI-RADS és a RECIST (mRECIST) szabványokat, hogy megmentse az eredményeket a mennyiség, a rák típusa, a változás alakja és a kezelés utáni változási kapcsolatok formájában. A rendszer teljes hatékonysággal jelentősen, akár 90%-kal csökkenti a betegeket jelenleg sújtó biopszia mennyiségét. Jelenleg a biopsziának csak 11% -át erősíti meg a rák ( (Hungarian)
26 July 2022
0 references
Tá taighde dírithe ar líonra domhainfhoghlama (AI DP) a chruthú a aimsíonn loit ailse ar thástálacha mamagrafaíochta go huathoibríoch. Déan staidéir an othair don ghrúpa ailse a chatagóiriú agus fiú tabhair le fios go huathoibríoch ailse díleá sonrach an othair. Déanfar na tascanna thuas trí 3,000 cás leighis a bhailiú, líonraí domhainfhoghlama agus líonraí GAN a chruthú mar aon le catagóiritheoirí (algartaim anailíseacha). Déanfaidh algartaim anailís ar na sonraí agus cuirfidh siad iad i bhfoirm 2D, 3D i líonra AI DP, agus foghlaimeoidh sé sin ón bhfaisnéis a bhaileofar. Is é an toradh a bheidh air sin ná ardmhodúl brabhsálaí diagnóiseacha le haghaidh tástálacha raideolaíocha a cheadaíonn do raideolaithe an dara tuairim scagthástála neamhspleách a bheith acu. Is é 95 % an éifeachtúlacht atá beartaithe don chóras. Iarrfaidh líonra AI DP sonraí bailithe bunaithe ar thaighde reatha agus stairiúil othar agus cuirfear stair theaghlaigh na n-othar san áireamh freisin. Déanfar athruithe ar íomhánna raideolaíocha a dheighilt agus ansin cuirfear i gcomparáid iad le patrúin ailse nó le hothair shláintiúla. Sa chéad chéim eile, déanfar idirdhealú idir na sonraí chun an dóchúlacht maidir le gach ailse aonair a chinneadh. Beidh torthaí dearfacha bréagacha á ndeighilt ag an bpríomhghné. Faoi láthair, níl aon taifeadadh struchtúrtha ar thorthaí i mamgraif, agus tá siad scríofa i bhfoirm cur síos téacs. Is é an meascán de na gníomhaíochtaí thuas ná cineál scórála nua a fhorbairt le chéile na caighdeáin BI-RADS agus RECIST (mRECIST) chun na torthaí a shábháil i bhfoirm toirte, cineál ailse, cruth athraithe agus caidrimh athraithe iarchóireála. Leis an gcóras atá éifeachtúil go hiomlán, beifear in ann laghdú suntasach a dhéanamh ar suas le 90 % den mhéid bithshíceas a bhfuil othair faoina réir faoi láthair. Faoi láthair, ní dhearbhaíonn ailse ach 11 % den bhithsíc ( (Irish)
26 July 2022
0 references
Ämnet för projektet är forskning som syftar till att skapa ett djupinlärningsnätverk (AI DP) som automatiskt upptäcker cancerskador på mammografitester. Kategorisera patientens studier för cancergruppen och till och med automatiskt indikera patientens specifika matsmältningscancer. Ovanstående uppgifter kommer att göras genom att samla 3 000 medicinska fall, skapa djupinlärningsnätverk och GAN-nätverk tillsammans med kategorisörer (analytiska algoritmer). Algoritmer kommer att analysera data och placera dem i form av 2D, 3D i AI DP-nätverket, och detta kommer att lära av den insamlade informationen. Slutresultatet blir en avancerad diagnostisk webbläsarmodul för radiologiska tester som gör det möjligt för radiologer att få ett andra oberoende screeningutlåtande. Systemets planerade effektivitet är 95 %. AI DP-nätverket kommer att begära insamlade data baserat på aktuell och historisk patientforskning och kommer också att ta hänsyn till patientens familjehistoria. Förändringar i radiologiska bilder kommer att segmenteras och sedan jämföras med cancermönster eller friska patienter. I nästa steg kommer data att differentieras för att bestämma sannolikheten för varje enskild cancer. Det viktigaste elementet kommer att skilja falskt positiva resultat. För närvarande finns det ingen strukturell registrering av resultat i mammografier, och de är skrivna i form av en textbeskrivning. Kombinationen av ovanstående aktiviteter kommer att vara utvecklingen av en ny poängtyp som kombinerar BI-RADS- och RECIST-standarderna (mRECIST) för att spara resultaten i form av volym, typ av cancer, form av förändring och relationer efter behandling. Systemet med full effektivitet kommer att möjliggöra en betydande minskning på upp till 90 % av mängden biopsi som patienter för närvarande utsätts för. För närvarande är endast 11 % av biopsi bekräftad av cancer ( (Swedish)
26 July 2022
0 references
Projekti teema on uurimus, mille eesmärk on luua süvaõppe võrgustik (AI DP), mis tuvastab automaatselt vähikahjustused mammograafia testides. Kategoriseerida patsiendi uuringud vähirühma jaoks ja isegi automaatselt näidata patsiendi spetsiifilist seedimisvähki. Eespool nimetatud ülesannete täitmiseks kogutakse kokku 3000 meditsiinijuhtumit, luuakse süvaõppevõrgustikud ja GAN-võrgustikud koos kategoriseerijatega (analüütilised algoritmid). Algoritmid analüüsivad andmeid ja paigutavad need AI DP võrku 2D, 3D kujul ja see õpib kogutud teabest. Lõpptulemuseks on radioloogiliste testide täiustatud diagnostiline brauserimoodul, mis võimaldab radioloogidel saada teist sõltumatut sõeluuringuarvamust. Süsteemi kavandatud tõhusus on 95 %. AI DP võrgustik nõuab kogutud andmeid, mis põhinevad praegustel ja ajaloolistel patsiendiuuringutel, ning võtab arvesse ka patsiendi perekonna ajalugu. Radioloogiliste kujutiste muutused jagunevad ja seejärel võrreldakse vähimustrite või tervete patsientidega. Järgmises etapis eristatakse andmeid, et määrata kindlaks iga üksiku vähi tõenäosus. Peamine element on valepositiivsete tulemuste eraldamine. Praegu ei ole tulemuste strukturaalset salvestamist mammograafides ja need on kirjutatud tekstikirjelduse kujul. Eespool nimetatud tegevuste kombineerimiseks töötatakse välja uus punktisüsteem, mis ühendab BI-RADSi ja RECISTi (mRECIST) standardeid, et salvestada tulemused mahu, vähiliigi, muutuste kuju ja ravijärgsete muutuste suhete kujul. Täieliku efektiivsusega süsteem võimaldab märkimisväärselt vähendada kuni 90 % biopsia kogust, mida patsiendid praegu läbivad. Praegu kinnitab vähk ainult 11 % biopsiast ( (Estonian)
26 July 2022
0 references
WOJ.: ŁÓDZKIE, POW.: Łódź
0 references
24 May 2023
0 references
Identifiers
POIR.04.01.04-00-0104/16
0 references