Le operazioni basate su una risonanza magnetica o una TAC sono rese più complicate dal fatto che le persone non possono mai stare completamente ferme. Il dottorando Koen Eppenhof ha dimostrato che un algoritmo basato sul deep learning può essere utilizzato per correggere gli inevitabili movimenti.

Per somministrare radiazioni o per operare nel modo più accurato possibile, l'area da trattare viene prima tracciata su una scansione (MRI o TC) dal medico. Quest'area, la sede di un tumore, ad esempio, viene quindi localizzato sul tavolo operatorio utilizzando una nuova scansione. Non è una cosa semplice:la posizione del paziente non è mai esattamente la stessa nelle due scansioni, e poi c'è l'inevitabile movimento e deformazione degli organi dovuta alla respirazione. Un'intera specializzazione, registrazione di immagini mediche, è nata per far fronte a queste difficoltà, e questo costituisce un aspetto del lavoro del gruppo Medical Image Analysis presso il Dipartimento di Ingegneria Biomedica.

Secondo Ph.D. candidato Koen Eppenhof presso Medical Image Analysis, i medici dispongono già di un software intelligente che consente loro di abbinare la persona nello scanner all'immagine realizzata e analizzata attentamente in una data precedente. "Però, un computer impiega alcuni minuti per eseguire il calcolo, mentre idealmente ti piacerebbe essere in grado di abbinare le due scansioni in tempo reale."

Quando Eppenhof iniziò i suoi studi di dottorato poco meno di cinque anni fa, il principio dell'apprendimento profondo stava appena alzando la testa; questa è una forma di intelligenza artificiale in grado di portare a termine questo compito molto più rapidamente. Secondo il dottorando, questa tecnologia sembra aver mantenuto la sua promessa. "Inizialmente, alle conferenze ero una delle poche persone che lavoravano con il deep learning, mentre ora quasi tutti nell'analisi dell'immagine medica lo usano."

Computer da gioco

La sfida consiste nell'accoppiare ogni pixel dell'immagine originale con il pixel corrispondente nella nuova scansione, Eppenhof spiega. Per fare questo, ha "addestrato" quella che viene chiamata una rete neurale profonda, che funziona su unità di elaborazione grafica (GPU) - paragonabili ai processori dei computer da gioco. "Il nostro gruppo tiene un cluster di queste GPU in una stanza refrigerata dell'High Tech Campus, e possiamo accedere a loro."

Questo tipo di rete neurale di GPU insegna da solo, com'era, come svolgere il suo compito facendo riferimento a migliaia di esempi. Ma c'è una carenza di materiale formativo. Prendiamo il problema delle foto dei polmoni:ci sono semplicemente troppo poche serie di immagini "registrate" di polmoni nelle varie fasi dell'inspirazione e dell'espirazione. Così Eppenhof ha deciso di manipolare un'immagine esistente in innumerevoli modi diversi e di utilizzarla per alimentare la rete neurale. "Prossimo, Ho liberato la rete addestrata su una serie di un paio di dozzine di scansioni TC reali, registrati da più esperti sulla base di centinaia di punti di riferimento anatomici riconosciuti, come i siti in cui i vasi sanguigni si dividono o si incrociano."

Cancro alla prostata

Si è scoperto che la rete formata di Eppenhof ha funzionato quasi quanto i singoli esperti. "Quindi questo dimostra che è possibile addestrare reti neurali profonde utilizzando dati simulati anziché immagini mediche reali. In realtà funziona incredibilmente bene, e credo che questo sia il risultato più importante della mia ricerca." La sua rete neurale si è anche dimostrata in grado di analizzare le immagini in meno di un secondo, un miglioramento non da poco rispetto ai minuti attualmente necessari ai metodi di calcolo utilizzati negli ospedali.

Questo rende il suo lavoro interessante per UMC Utrecht, dove i pazienti affetti da cancro alla prostata attualmente ricevono radiazioni in uno scanner MRI. Questo aiuta i medici a stabilire l'esatta posizione della prostata immediatamente prima della somministrazione del trattamento. "Infatti, anche la prostata si muove lentamente durante la radiazione; viene spinto da parte mentre la vescica si riempie di urina. In linea di principio il mio metodo è abbastanza veloce da seguire questo movimento".

Se la sua versione del deep learning troverà presto la sua strada negli ospedali è discutibile. Questo perché non è ancora chiaro come funzioni esattamente questa rete neurale, un problema con cui molte applicazioni di intelligenza artificiale stanno lottando. È una scatola nera e questo ne ostacola la valutazione da parte delle autorità preposte alla sicurezza, Eppenhof spiega. "In ogni caso, tecniche di questo tipo non potranno mai funzionare in modo completamente automatico. Ci deve sempre essere una persona che osserva per assicurarsi che il computer non rovini tutto".