Las operaciones basadas en una resonancia magnética o una tomografía computarizada se complican por el hecho de que las personas nunca pueden permanecer completamente quietas. El candidato a doctorado Koen Eppenhof ha demostrado que se puede utilizar un algoritmo basado en el aprendizaje profundo para corregir los movimientos inevitables.

Para administrar radiación o para operar con la mayor precisión posible, El médico primero dibuja el área a tratar en una exploración (MRI o CT). Esta área, el sitio de un tumor, por ejemplo, luego se localiza en la mesa de operaciones mediante un nuevo escaneo. Esto no es un asunto simple:la posición del paciente nunca es exactamente la misma en las dos exploraciones, y luego está el inevitable movimiento y deformación de los órganos debido a la respiración. Toda una especialidad, registro de imagen médica, ha surgido para hacer frente a estas dificultades, y esto forma un aspecto del trabajo del grupo de Análisis de Imagen Médica del Departamento de Ingeniería Biomédica.

Según Ph.D. el candidato Koen Eppenhof en Medical Image Analysis, los médicos ya tienen un software inteligente que les permite hacer coincidir a la persona en el escáner con la imagen hecha y analizada cuidadosamente en una fecha anterior. "Sin embargo, una computadora necesita algunos minutos para ejecutar el cálculo, mientras que lo ideal sería poder hacer coincidir los dos escaneos en tiempo real ".

Cuando Eppenhof comenzó sus estudios de doctorado hace poco menos de cinco años, el principio del aprendizaje profundo estaba apenas asomando la cabeza; esta es una forma de inteligencia artificial capaz de completar esta tarea mucho más rápidamente. Según el doctorando, esta tecnología parece haber cumplido su promesa. "Inicialmente, en las conferencias yo era una de las pocas personas que trabajaba con el aprendizaje profundo, mientras que ahora casi todo el mundo en el análisis de imágenes médicas lo está utilizando ".

Computadora para juegos

El desafío radica en acoplar cada píxel de la imagen original con el píxel correspondiente en el nuevo escaneo, Eppenhof explica. Para hacer esto, Él 'entrenó' lo que se llama una red neuronal profunda, que se ejecuta en unidades de procesamiento de gráficos (GPU), comparable a los procesadores de las computadoras para juegos. "Nuestro grupo mantiene un grupo de estas GPU en una habitación refrigerada en el campus de alta tecnología, y podemos iniciar sesión en ellos ".

Este tipo de red neuronal de GPU se enseña a sí mismo, como si fuera, cómo realizar su tarea consultando miles de ejemplos. Pero hay escasez de material de formación. Tomemos el problema de las fotos de los pulmones:simplemente hay muy pocos conjuntos de imágenes "registradas" de los pulmones en varias etapas de la inhalación y exhalación. Entonces, Eppenhof decidió manipular una imagen existente de innumerables formas diferentes y usarla para alimentar la red neuronal. "Próximo, Liberé la red entrenada en un conjunto de un par de docenas de tomografías computarizadas reales, registrado por múltiples expertos en base a cientos de puntos de referencia anatómicos reconocidos, como los sitios donde los vasos sanguíneos se dividen o cruzan ".

Cancer de prostata

Resultó que la red capacitada de Eppenhof funcionó casi tan bien como los expertos individuales. "Esto demuestra que se pueden entrenar redes neuronales profundas utilizando datos simulados en lugar de imágenes médicas reales. En realidad, funciona increíblemente bien, y creo que es el resultado más importante de mi investigación ”. Su red neuronal también demostró ser capaz de analizar las imágenes en menos de un segundo, lo que no significa una mejora en los minutos que actualmente necesitan los métodos de cálculo utilizados en los hospitales.

Esto hace que su trabajo sea de interés para UMC Utrecht, donde los pacientes con cáncer de próstata actualmente reciben radiación en un escáner de resonancia magnética. Esto ayuda a los médicos a establecer la ubicación exacta de la próstata inmediatamente antes de administrar el tratamiento. "De hecho, la próstata también se mueve lentamente durante la radiación; se aparta cuando la vejiga se llena de orina. En principio, mi método es lo suficientemente rápido para rastrear este movimiento ".

Si su versión del aprendizaje profundo llegará a los hospitales en poco tiempo es discutible. Esto se debe a que aún no está claro cómo funciona exactamente esta red neuronal, un problema con el que luchan muchas aplicaciones de IA. Es una caja negra y esto dificulta su valoración por parte de las autoridades responsables de la seguridad, Eppenhof explica. "En cualquier evento, Nunca se permitirá que las técnicas de este tipo funcionen de forma totalmente automática. Siempre debe haber una persona mirando para asegurarse de que la computadora no estropee todo ".