Operationer baserade på en MR- eller datortomografi blir svårare av att människor aldrig kan ligga helt stilla. Doktorand Koen Eppenhof har visat att en algoritm baserad på djupinlärning kan användas för att korrigera för de oundvikliga rörelserna.

För att administrera strålning eller att arbeta så exakt som möjligt, området som ska behandlas ritas först av läkaren på en skanning (MRT eller CT). Detta område - platsen för en tumör, till exempel – lokaliseras sedan på operationsbordet med en ny skanning. Detta är ingen enkel sak:patientens position är aldrig exakt densamma i de två skanningarna - och sedan finns det oundvikliga rörelser och deformation av organen på grund av andningen. En hel specialitet, medicinsk bildregistrering, har uppstått för att hantera dessa svårigheter, och detta utgör en del av arbetet i gruppen för medicinsk bildanalys vid institutionen för biomedicinsk teknik.

Enligt Ph.D. kandidat Koen Eppenhof på Medical Image Analysis, läkare har redan smart programvara som gör det möjligt för dem att matcha personen i skannern med den bild som gjorts och analyseras noggrant vid ett tidigare datum. "Dock, det tar en dator några minuter att köra beräkningen medan du helst skulle vilja kunna matcha de två skanningarna i realtid."

När Eppenhof började sin doktorandstudie för knappt fem år sedan, principen om djupinlärning höjde sig bara; detta är en form av artificiell intelligens som kan utföra denna uppgift mycket snabbare. Enligt doktoranden, denna teknik verkar ha uppfyllt sitt löfte. "Initialt, på konferenser var jag en av få personer som arbetade med djupinlärning, medan nu nästan alla inom medicinsk bildanalys använder det."

Speldator

Utmaningen ligger i att koppla varje pixel i originalbilden till motsvarande pixel i den nya genomsökningen, Eppenhof förklarar. Att göra detta, han 'tränade' det som kallas ett djupt neuralt nätverk, som körs på grafikprocessorer (GPU) – jämförbart med processorerna i speldatorer. "Vår grupp håller ett kluster av dessa GPU:er i ett kylt rum på High Tech Campus, och vi kan logga in på dem."

Denna typ av neuralt nätverk av GPU:er lär sig själv, som det var, hur man utför sin uppgift genom att hänvisa till tusentals exempel. Men det råder brist på utbildningsmaterial. Ta problemet med lungbilder:det finns helt enkelt för få uppsättningar "registrerade" bilder av lungor i olika stadier av andning in och ut. Så Eppenhof bestämde sig för att manipulera en befintlig bild på otaliga olika sätt och att använda denna för att mata det neurala nätverket. "Nästa, Jag släppte det tränade nätverket på en uppsättning av ett par dussin riktiga CT-skanningar, registrerad av flera experter baserat på hundratals erkända anatomiska landmärken, till exempel de platser där blodkärlen delar sig eller korsar."

Prostatacancer

Det visade sig att Eppenhofs utbildade nätverk presterade nästan lika bra som de enskilda experterna. "Så detta visar att du kan träna djupa neurala nätverk med hjälp av simulerad data snarare än riktiga medicinska bilder. Det fungerar faktiskt fantastiskt bra, och jag tror att det är det viktigaste resultatet av min forskning. "Hans neurala nätverk visade sig också kunna analysera bilderna på mindre än en sekund - ingen betydande förbättring av de minuter som för närvarande behövs av de beräkningsmetoder som används på sjukhus.

Detta gör hans arbete av intresse för UMC Utrecht, där patienter med prostatacancer för närvarande får strålning i en MR -skanner. Detta hjälper läkare att fastställa den exakta platsen för prostatan omedelbart innan behandling ges. "Faktiskt, prostatan rör sig också långsamt under strålning; den skjuts åt sidan när urinblåsan fylls med urin. I princip är min metod tillräckligt snabb för att spåra denna rörelse."

Huruvida hans version av djupinlärning kommer att hitta sin väg till sjukhus inom kort är diskutabelt. Detta beror på att det fortfarande är oklart hur exakt detta neurala nätverk fungerar – ett problem som många AI-applikationer brottas med. Det är en svart låda och detta försvårar dess bedömning av de myndigheter som ansvarar för säkerheten, Eppenhof förklarar. "I vilket fall som helst, tekniker av detta slag kommer aldrig att tillåtas fungera helt automatiskt. Det måste alltid finnas en person som tittar på för att se till att datorn inte stör det hela."