91视频

Gruppen inom matematisk onkologi 盲r bildad i r盲tt tid d氓 matematisk onkologi 盲r ett snabbt v盲xande omr氓de [1], med f枚rdelarna med individualisering av medicin genom matematik, modellering och simulering. Individualisering uppn氓s fr盲mst genom anv盲ndningen av patientspecifika kliniska data f枚r att g枚ra skr盲ddarsydda f枚ruts盲gelser om svar p氓 behandling. Forskningen kommer att presentera data- och simuleringsstandarder med m氓let att skapa reproducerbara modeller och f枚rb盲ttra cancerdetektion f枚r att uppt盲cka cancer tidigare. Dessutom kommer den att kompletteras genom att fullt ut anv盲nda de explorativa och f枚rklarande m枚jligheterna hos djupa neurala n盲tverk, visualisering och kraften hos omv盲nda problem och matematik.

贬箩盲谤苍肠补苍肠别谤

贬箩盲谤苍肠补苍肠别谤 盲r en vanlig cancer globalt sett; 氓r 2012 rapporterades n盲stan 256 000 nya fall av hj盲rncancer, vilket motsvarade ungef盲r 1,83% av det totala antalet nya cancerfall som diagnosticerades. Standardbehandlingen innefattar kirurgi, str氓lbehandling och cellgifter, men trots all terapeutisk framsteg 盲r hj盲rntum枚rer fortfarande s盲llan helt botbara.

Matematiskt bidrag till hj盲rncancerforskning

The roadmap for Mathematical Oncology fr氓n 2019, [1], identifierar tre avg枚rande milstolpar l盲ngs v盲gen mot matematiskt utformad cancerbehandling:

1. Att erh氓lla precisa, rigor枚sa och reproducerbara f枚ruts盲gelser om den rumsligt och tidsm盲ssigt framsteg av cancer.
2. Att undvika och mildra terapeutisk resistens.
3. Att sammanf枚ra mekanismbaserade matematiska modeller med maskininl盲rning.

Detta visar den centrala roll som matematiken kan ha inom cancerforskningen. Gruppen har expertis inom ett matematikomr氓de som kallas omv盲nda problem f枚r partiella differentialekvationer. Detta 盲r idealiskt f枚r cancerforskning eftersom modeller uttrycks som differentialekvationer och med tekniker fr氓n omv盲nda problem kan parametrar i dessa modeller identifieras.

Forskare inom matematik vid FEM har under ett antal 氓r studerat matematiska egenskaper hos en modell relaterad till tillv盲xten av hj盲rntum枚rer, med fokus p氓 att hantera det omv盲nda problemet att rekonstruera exakt var tum枚ren b枚rjade. Ett fruktbart samarbete har nu etablerats mellan forskare med bakgrund inom djupa neurala n盲tverk, bildbehandling och vetenskaplig visualisering. Denna grupp arbetar med dynamiska matematiska modeller f枚r att studera tillv盲xten av hj盲rntum枚rer b氓de fram氓t och bak氓t i tiden. F枚r nyligen publicerade artiklar, se [2,3,4,5].

En unik funktion h盲r, som har uppskattats av den vetenskapliga gemenskapen, 盲r att vi kan simulera tillv盲xten av en tum枚r b氓de fram氓t och bak氓t i tiden. M枚jligheten att ocks氓 g氓 bak氓t i tiden, vilket 盲r ett 枚k盲nt sv氓rt omv盲nt illa st盲llt problem, kan 枚ppna upp f枚r flera nya till盲mpningar. Till exempel kan det hj盲lpa kliniker att fatta b盲ttre beslut om terapier och behandlingar. Dessutom kan s氓dana resultat anv盲ndas f枚r att generera ytterligare syntetiska data f枚r att tr盲na automatiska system f枚r tum枚rdetektion. Sj盲lva simuleringarna 盲r unika i det att de produceras med en ny banbrytande programvara f枚r tredimensionell visualisering av hj盲rndata, utvecklad vid det v盲rldsledande visualiseringscentret p氓 Campus Norrk枚ping.

Den tidsberoende matematiska modell vi studerade 盲r en icke-linj盲r partiell differentialekvation given av reaktions-diffusionsekvationer som inneh氓ller en funktion som beskriver tum枚rens logistiska tillv盲xt, nettotillv盲xthastigheten f枚r celler inklusive proliferation och d枚d, samt en rumsligt beroende diffustensor.

Forskningsbeskrivning

Det p氓g氓r flera forskningsprojekt inom denna grupp, varav tre 盲r:

Parameteridentifiering

脜terst盲llning av trippeln av de ok盲nda parametrarna, diffustensorn, nettotillv盲xthastigheten och den initiala cellt盲theten fr氓n ytterligare m盲tningar. Under de senaste 氓ren har diffusionstensorm盲tning (DTI) anv盲nts alltmer f枚r att studera patologiska f枚r盲ndringar i hj盲rntum枚rer. Olika DTI-metriker kan h盲rledas fr氓n bilddata f枚r att ge information om orienteringen och arkitekturen hos v盲vnadens mikrostruktur p氓 voxelniv氓. DTI ger ett antal parametrar om formen, magnituden och graden av diffusionens anisotropi, vilket kan anv盲ndas f枚r att s盲rskilja olika tum枚rtyper.

Terapi

Anpassning av v氓r matematiska modell f枚r att hantera olika typer av terapier. Standardbehandlingen f枚r de flesta cancerformer innefattar en kombination av kirurgi och kemoterapi och/eller str氓lbehandling. Kombinationsterapi 盲r en mycket lovande strategi, men detta v盲cker sina egna fr氓gor 鈥� om hur man administrerar l盲kemedlen, som kan kombineras p氓 ett till synes o盲ndligt s盲tt och i olika sekvenser. Matematiska modeller kan anv盲ndas f枚r att studera dessa typer av fr氓gor och erbjuda cancerbiologer och kliniska onkologer kraftfulla nya verktyg att l盲gga till i sin arsenal av laboratorie- och kliniska metoder. Dessa modeller erbjuder en rationell och unik metod f枚r att s枚ka bland ett stort antal m枚jliga strategier f枚r att identifiera de mest effektiva doserna f枚r att f枚rl盲nga patientens 枚verlevnad.

Artificiell intelligens (AI)

Vi kommer att anv盲nda metoder inom artificiell intelligens (AI) f枚r att bygga och tr盲na ett system f枚r att extrahera information fr氓n stora datam盲ngder och identifiera trippeln av ok盲nda parametrar: diffustensorn, nettotillv盲xthastigheten och den initiala cellt盲theten i v氓r matematiska modell. Huvudid茅n 盲r att anv盲nda maskininl盲rning och osuperviserad inl盲rning med givna provm盲tningar som indata, vilket leder till att hitta en struktur som best盲mmer risken f枚r att utveckla eller indikera n盲rvaron av en eller flera hj盲rntum枚rer. Det kommer 盲ven vara m枚jligt att anv盲nda kluster f枚r att profilera/klassificera medicinska m盲tningar (personliga m盲tningar) och sedan anv盲nda dessa kluster f枚r att best盲mma graden/magnituden av risken. Slutligen kommer metoder fr氓n AI och digital patologi tillsammans med GAN (Generative Adversarial Networks) att anv盲ndas f枚r att generera realistiska syntetiska medicinska bilder.

Bidrag

Ett nyligen beviljat bidrag fr氓n LiU Cancer kommer att g枚ra det m枚jligt f枚r gruppmedlemmarna tillsammans med kliniker att samarbeta f枚r att vidareutveckla forskningen om matematiska modeller f枚r cancerbehandling.

Publikationer

1. Russell C Rockne, Andrea Hawkins-Daarud, Kristin R Swanson, James P Sluka, James A Glazier, Paul Macklin, David A Hormuth II, Angela M Jarrett, Ernesto ABF Lima, J Tinsley Oden, et al. The 2019 mathematical oncology roadmap. Physical biology, 16(4):041005, 2019.
2. Jaroudi, R., Baravdish, G., 脜str枚m, F., Johansson, B.T., Source Localization of Reaction-Diffusion Models for Brain Tumors, Lecture Notes in Computer Science 2016, 9796 :414-425.
3. Jaroudi, R., Baravdish, G., 脜str枚m, F., Johansson, B.T., Numerical reconstruction of brain tumours, accepted in Inverse Problems in Science & Engineering, 2018.
4. Jaroudi, R., 脜str枚m, F., Johansson, B.T., and Baravdish, G., Numerical implementation in 3-dimension of reaction-diffusion models for brain tumour growth, International Journal of Computer Mathematics, 2019.
5. Ssebunjo, W., Baravdish, G., Svensson, O., and Johansson, B.T., Tumor Origin Localization via Non-linear Conjugate Gradient Methods, to be submitted.

6. Eilertsen, G., Kronander, J., Denes, G., Mantiuk, R. K., & Unger, J. (2017). HDR image reconstruction from a single exposure using deep CNNs. ACM transactions on graphics (TOG), 36(6), 1-15.

7. Eilertsen, G., Mantiuk, R. K., & Unger, J. (2019). Single-frame Regularization for Temporally Stable CNNs. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 11176-11185).

8. Eilertsen, G., J枚nsson, D., Ropinski, T., Unger, J., & Ynnerman, A. (2020). Classifying the classifier: dissecting the weight space of neural networks. In Proceedings of the European Conference on Artificial Intelligence (ECAI 2020), pages 1119鈥�1126.

9. Tsirikoglou, A., Eilertsen, G., & Unger, J. (2020). A Survey of Image Synthesis Methods for Visual Machine Learning. In Computer Graphics Forum.

10. Stacke, K., Eilertsen, G., Unger, J., & Lundstr枚m, C. (2019). A Closer Look at Domain Shift for Deep Learning in Histopathology. MICCAI 2019 Computational Pathology Workshop (COMPAY 2019)

11. Pocevi膷i奴t臈, M., Eilertsen, G., & Lundstr枚m, C. (2020). Survey of XAI in digital pathology. In Artificial Intelligence and Machine Learning for Digital Pathology (pp. 56-88). Springer, Cham.

12. Tsirikoglou, A., Stacke, K., Eilertsen, G., Lindvall, M., & Unger, J. (2020). A Study of Deep Learning Colon Cancer Detection in Limited Data Access Scenarios. ICLR Workshop on AI for Overcoming Global Disparities in Cancer Care (AI4CC 2020).

13. Cirillo, M. D., Abramian, D., & Eklund, A. (2020). Vox2Vox: 3D-GAN for Brain Tumour Segmentation. arXiv preprint arXiv:2003.13653.

14. Foroozandeh, M., & Eklund, A. (2020). Synthesizing brain tumor images and annotations by combining progressive growing GAN and SPADE. arXiv preprint arXiv:2009.05946.