Operaties op basis van een MRI- of CT-scan worden lastiger doordat mensen nooit helemaal stil kunnen liggen. Promovendus Koen Eppenhof heeft laten zien dat een algoritme op basis van deep learning kan worden gecorrigeerd voor de onvermijdelijke bewegingen.

Om straling toe te dienen of zo nauwkeurig mogelijk te opereren, het te behandelen gebied wordt eerst door de arts op een scan (MRI of CT) getekend. Dit gebied - de plaats van een tumor, bijvoorbeeld - wordt vervolgens met een nieuwe scan op de operatietafel gelokaliseerd. Dat is niet eenvoudig:de positie van de patiënt is op de twee scans nooit precies hetzelfde - en dan is er de onvermijdelijke beweging en vervorming van de organen door de ademhaling. Een heel specialisme, medische beeldregistratie, is ontstaan ​​om deze moeilijkheden het hoofd te bieden, en dit vormt één aspect van het werk van de groep Medische Beeldanalyse van de afdeling Biomedische Technologie.

Volgens Ph.D. kandidaat Koen Eppenhof bij Medische Beeldanalyse, artsen hebben al slimme software waarmee ze de persoon in de scanner kunnen matchen met het eerder gemaakte en zorgvuldig geanalyseerde beeld. "Echter, het kost een computer enkele minuten om de berekening uit te voeren, terwijl je idealiter de twee scans in realtime wilt kunnen matchen."

Toen Eppenhof iets minder dan vijf jaar geleden aan zijn promotieonderzoek begon, het principe van diep leren stak net de kop op; dit is een vorm van kunstmatige intelligentie die deze taak veel sneller kan voltooien. Volgens de promovendus deze technologie lijkt zijn belofte waar te maken. "In eerste instantie op conferenties was ik een van de weinige mensen die met deep learning werkte, terwijl nu bijna iedereen in de medische beeldanalyse het gebruikt."

Spelcomputer

De uitdaging ligt in het koppelen van elke pixel in de originele afbeelding met de corresponderende pixel in de nieuwe scan, Eppenhof legt uit. Om dit te doen, hij 'trainde' wat een diep neuraal netwerk wordt genoemd, die draait op grafische verwerkingseenheden (GPU's) - vergelijkbaar met de processors in spelcomputers. "Onze groep bewaart een cluster van deze GPU's in een gekoelde ruimte op de High Tech Campus, en we kunnen erop inloggen."

Dit soort neuraal netwerk van GPU's leert zichzelf, als het ware, hoe hij zijn taak moet uitvoeren door te verwijzen naar duizenden voorbeelden. Maar er is een tekort aan trainingsmateriaal. Neem het probleem van longfoto's:er zijn simpelweg te weinig sets 'geregistreerde' afbeeldingen van longen in verschillende stadia van in- en uitademen. Dus besloot Eppenhof een bestaand beeld op talloze manieren te manipuleren en dit te gebruiken om het neurale netwerk te voeden. "Volgende, Ik heb het getrainde netwerk losgelaten op een set van een paar dozijn echte CT-scans, geregistreerd door meerdere experts op basis van honderden erkende anatomische oriëntatiepunten, zoals de plaatsen waar bloedvaten splitsen of kruisen."

Prostaatkanker

Het geschoolde netwerk van Eppenhof bleek bijna net zo goed te presteren als de individuele experts. "Dit laat zien dat je diepe neurale netwerken kunt trainen met behulp van gesimuleerde gegevens in plaats van echte medische beelden. Het werkt eigenlijk verbazingwekkend goed, en ik denk dat dat het belangrijkste resultaat van mijn onderzoek is." Zijn neurale netwerk bleek ook in staat om de beelden in minder dan een seconde te analyseren - geen noemenswaardige verbetering ten opzichte van de minuten die momenteel nodig zijn voor de rekenmethoden die in ziekenhuizen worden gebruikt.

Dit maakt zijn werk interessant voor het UMC Utrecht, waar prostaatkankerpatiënten momenteel bestraald worden in een MRI-scanner. Dit helpt artsen om de exacte locatie van de prostaat vast te stellen vlak voordat de behandeling wordt gegeven. "In feite, de prostaat beweegt ook langzaam tijdens bestraling; het wordt opzij geschoven als de blaas zich vult met urine. In principe is mijn methode snel genoeg om deze beweging te volgen."

Of zijn versie van deep learning binnenkort zijn weg naar ziekenhuizen zal vinden, is de vraag. Het is namelijk nog onduidelijk hoe dit neurale netwerk precies werkt – een probleem waar veel AI-toepassingen mee worstelen. Het is een zwarte doos en dit belemmert de beoordeling door de autoriteiten die verantwoordelijk zijn voor veiligheid, Eppenhof legt uit. "In ieder geval, dit soort technieken zullen nooit volledig automatisch kunnen werken. Er moet altijd een persoon zijn die toekijkt om ervoor te zorgen dat de computer niet de hele zaak verknoeit."