As operações baseadas em uma ressonância magnética ou tomografia computadorizada são complicadas pelo fato de que as pessoas nunca conseguem ficar completamente imóveis. O doutorando Koen Eppenhof mostrou que um algoritmo baseado em aprendizagem profunda pode ser usado para corrigir os movimentos inevitáveis.

Para administrar radiação ou operar com a maior precisão possível, a área a ser tratada é primeiro desenhada em uma varredura (ressonância magnética ou tomografia computadorizada) pelo médico. Esta área - o local de um tumor, por exemplo - é então localizado na mesa de operação usando uma nova varredura. Não é uma questão simples:a posição do paciente nunca é exatamente a mesma nos dois exames - e há o movimento e a deformação inevitáveis ​​dos órgãos devido à respiração. Toda uma especialidade, registro de imagens médicas, surgiu para lidar com essas dificuldades, e isso constitui um aspecto do trabalho do grupo de Análise de Imagens Médicas do Departamento de Engenharia Biomédica.

De acordo com o Ph.D. candidato Koen Eppenhof na Análise de Imagens Médicas, os médicos já possuem um software inteligente que permite comparar a pessoa no scanner com a imagem feita e analisada cuidadosamente em uma data anterior. "Contudo, leva alguns minutos para um computador executar o cálculo, mas o ideal é que você possa comparar as duas varreduras em tempo real. "

Quando Eppenhof iniciou seu estudo de doutorado, há pouco menos de cinco anos, o princípio do aprendizado profundo estava apenas aparecendo; esta é uma forma de inteligência artificial capaz de completar essa tarefa muito mais rapidamente. De acordo com o doutorando, esta tecnologia parece ter cumprido sua promessa. "Inicialmente, em conferências, fui uma das poucas pessoas que trabalhava com aprendizagem profunda, ao passo que agora quase todo mundo na análise de imagens médicas está usando. "

Computador para jogos

O desafio está em acoplar cada pixel da imagem original com o pixel correspondente na nova digitalização, Eppenhof explica. Para fazer isso, ele 'treinou' o que é chamado de rede neural profunda, que roda em unidades de processamento gráfico (GPUs) - comparáveis ​​aos processadores em computadores de jogos. "Nosso grupo mantém um cluster dessas GPUs em uma sala refrigerada no High Tech Campus, e podemos entrar neles. "

Este tipo de rede neural de GPUs ensina a si mesmo, por assim dizer, como realizar sua tarefa, referindo-se a milhares de exemplos. Mas há falta de material de treinamento. Vejamos o problema das fotos de pulmões:simplesmente existem poucos conjuntos de imagens "registradas" de pulmões em vários estágios de inspiração e expiração. Portanto, Eppenhof decidiu manipular uma imagem existente de inúmeras maneiras diferentes e usar isso para alimentar a rede neural. "Próximo, Eu soltei a rede treinada em um conjunto de algumas dezenas de tomografias reais, registrado por vários especialistas com base em centenas de marcos anatômicos reconhecidos, como os locais onde os vasos sanguíneos se dividem ou se cruzam. "

Câncer de próstata

Descobriu-se que a rede treinada de Eppenhof teve um desempenho quase tão bom quanto os especialistas individuais. "Isso mostra que você pode treinar redes neurais profundas usando dados simulados em vez de imagens médicas reais. Na verdade, funciona muito bem, e acho que esse é o resultado mais importante de minha pesquisa. "Sua rede neural também se mostrou capaz de analisar as imagens em menos de um segundo - o que não significa uma melhora significativa nos minutos necessários atualmente para os métodos de cálculo usados ​​em hospitais.

Isso torna seu trabalho de interesse para UMC Utrecht, onde pacientes com câncer de próstata atualmente recebem radiação em um scanner de ressonância magnética. Isso ajuda os médicos a estabelecer a localização exata da próstata imediatamente antes do tratamento ser administrado. "Na verdade, a próstata também se move lentamente durante a radiação; ele é colocado de lado conforme a bexiga se enche de urina. Em princípio, meu método é rápido o suficiente para rastrear esse movimento. "

É discutível se sua versão de aprendizado profundo chegará aos hospitais em breve. Isso ocorre porque ainda não está claro como exatamente essa rede neural funciona - um problema com o qual muitos aplicativos de IA estão lutando. É uma caixa preta e isso dificulta sua avaliação pelas autoridades responsáveis ​​pela segurança, Eppenhof explica. "Em qualquer evento, técnicas desse tipo nunca poderão operar de forma totalmente automática. Deve haver sempre uma pessoa observando para garantir que o computador não estrague tudo. "