Alessandro Sbrizzi / Stefano Mandija

UMC Utrecht

Het onderzoek van Alessandro Sbrizzi & Stefano Mandija houdt in het kort het volgende in:

Physics-informed Neural networks to standardize brain MRI: boosting AI applications in gliomas and meningiomas

In het vakgebied van MRI-beeldvorming voor hersentumoren is er theoretisch gezien een overvloed aan AI-tools beschikbaar voor de beoordeling en contouring van tumoren. Echter zijn deze tools getraind op kwalitatieve MRI-beelden die zijn verkregen met specifieke beeldinstellingen, waardoor ze alleen werken wanneer dezelfde beeldinstellingen worden gebruikt. Om deze beperking te overwinnen, stellen wij een techniek voor die MRI-gegevens standaardiseert over verschillende soorten systemen, software en beeldinstellingen heen. Onze innovatieve MRI-standaardisatietechniek zal de trainingsets van MRI-data uitbreiden om AI-tools te versterken op het gebied van zeldzame hersenkankers zoals meningiomen en gliomen, waar op dit moment geen grote gestandaardiseerde datasets beschikbaar zijn.

Publicaties

• Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset
  • Gepubliceerd in Arxiv (08-01-2026)
  • Klik hier om de publicatie te bekijken

Korte samenvatting van voortgang / resultaten april 2026

Tijdens de periode april 2025 - april 2026 hebben we een fysica-geïnformeerd deep-learningframework ontwikkeld en geëvalueerd voor het genereren van gestandaardiseerde kwantitatieve MRI- (qMRI-) kaarten, met validatie op klinische data van UMC Utrecht. De resultaten zijn gepresenteerd op toonaangevende internationale imaging-conferenties en ingediend bij een vooraanstaand tijdschrift op het gebied van medische beeldvorming. Het lopende onderzoek richt zich op het verbeteren van de robuustheid van de modellen om complex weefselgedrag beter te beschrijven, evenals op het evalueren of gestandaardiseerde qMaps verkorte MRI-protocollen mogelijk maken door het aantal vereiste sequenties te verminderen. Parallel hieraan worden eerste haalbaarheidsstudies uitgevoerd om gestandaardiseerde qMaps in te zetten voor deep-learning-gebaseerde tumordetectie en automatische segmentatie.

Korte samenvatting van voortgang / resultaten april 2025

We zijn er trots op aan te kondigen dat we in de eerste 6 maanden van het project al een werkende versie van het DL-model hebben voor de retrospectieve generatie van gestandaardiseerde qMaps. We hebben dit framework getest op een kleine onderzoeksdataset van het UMC Utrecht en de resultaten worden gepresenteerd als een Oral presentation door ons teamlid Jelmer van Lune tijdens de jaarlijkse congres van de International Society for Magnetic Resonance in Medicine (ISMRM), in Honolulu, VS, mei 2025.