Zelflerend algoritme maakt bijna real-time beeldregistratie mogelijk

Het combineren van medische beelden van patiënten kan interessante inzichten opleveren, maar is een zeer tijdrovend proces. Een nieuwe techniek op basis van een zelflerend algoritme helpt dit proces fors te versnellen.

Beeldregistratie is een veelgebruikte techniek waarbij verschillende medische beelden met elkaar worden gecombineerd. Door bijvoorbeeld meerdere MRI-scans die op verschillende tijdstippen zijn gemaakt over elkaar te leggen is het onder meer mogelijk kleine veranderingen in de ontwikkeling van een tumor gedetailleerd in beeld te brengen. Ook is het mogelijk medische beelden van verschillende patiënten met dezelfde ziekte te vergelijken om patronen in de ontwikkeling van deze ziekte te ontdekken. 

Miljoenen 3D-pixels combineren

Het combineren met medische beelden is een tijdrovend proces, wat de toepasbaarheid van de techniek beperkt. Zo bestaat een MRI-scan in feite uit honderden gestapelde 2D-beelden die samen een grote 3D-afbeelding vormen. Deze afbeelding wordt ook wel een ‘volume’ genoemd. Een volume bevat al snel een miljoen of meer 3D-pixels, die ‘voxels’ heten. Om medische beelden goed te kunnen vergelijken is het noodzakelijk de voxels van het ene volume nauwkeurig uit te lijnen met de voxels van het andere volume. 

Het uitlijnen van voxels is een complex en tijdrovend proces. Niet alleen kunnen medische beelden door verschillende medische apparatuur gemaakt zijn, ook kan de oriëntatie van medische beelden afwijken. Dergelijke verschillen moeten door het beeldregistratiesysteem gecompenseerd worden, waarvoor veel rekenkracht nodig is. Beeldregistratiesystemen hebben dan ook al snel enkele uren nodig om medische beelden met elkaar te combineren. 

Met name bij het vergelijken van medische beelden van grote groepen patiënten levert dit problemen op. Zo neemt het vergelijken van medische beelden van honderden patiënten al snel enkele honderden uren in beslag. Dit is volgens het Massachusetts Institute of Technology (MIT) vooral te danken aan het feit dat algoritmes die traditionele beeldregistratiesystemen gebruiken niet in staat zijn te leren. “In essentie starten zij voor ieder nieuw paar medische beelden volledig opnieuw”, zegt Guhu Balakrishan, promovendus verbonden aan het Computer Science and Artificial Intelligence Laboratory (CSAIL) en het Department of Engineering and Computer Science (EECS) van MIT. 

Optimale waarden 

Een nieuw machine learning algoritme van het MIT is wel in staat te leren en kan beeldregistratie hierdoor aanzienlijk versnellen. Het algoritme wordt ‘VoxelMorph’ genoemd en is door de onderzoekers getraind door het duizenden paren van medische beelden van hersenen met elkaar te laten combineren. In totaal zijn tijdens de trainingsfase 7.000 medische beelden geregistreerd. Tijdens dit proces heeft het algoritme informatie verzameld over de wijze waarop de afbeeldingen met elkaar zijn gecombineerd en maakt op basis hiervan een inschatting van de optimale waarden die hiervoor kunnen worden gehanteerd. 

De onderzoekers hebben VoxelMorph tijdens een test 250 medische beelden van hersenen met elkaar laten combineren. Hieruit blijkt dat het algoritme dankzij zijn training in staat is medische beelden in ongeveer twee minuten te registreren op een regulier computersysteem zonder grafische kaart. Indien een grafische kaart wordt ingezet kan het proces zelfs in minder dan een seconde worden uitgevoerd. Dit terwijl de nauwkeurigheid van VoxelMorph niet onder doet voor die van traditionele beeldregistratiesystemen. 

Ook geschikt voor andere medische beelden

VoxelMorph is getraind voor het combineren met medische beelden van hersenen. De onderzoekers stellen dat het algoritme echter ook getraind kan worden voor het combineren van andere medische beelden. Zo wordt binnen het MIT al geëxperimenteerd met het registreren van beelden van longen. 

De onderzoekers stellen dat hun algoritme onder andere in de operatiekamer mogelijkheden biedt. Zo zouden chirurgen scans min of meer in real-time kunnen registreren om een veel duidelijker beeld te krijgen van de voortgang van een operatie. “Op dit moment kunnen zij beelden gedurende een operatie niet vergelijken, aangezien dit twee uur in beslag neemt en de operatie verder moet”, aldus Adrian Dalca, een postdoctoraal van het Massachusetts General Hospital en MIT’s CSAIL. “Indien dit slechts een seconde duurt, kan je je voorstellen dat dit wel haalbaar is.”

Auteur: Wouter Hoeffnagel
Bron: MIT (foto)
Bron: Paper ‘An Unsupervised Learning Model for Deformable Medical Image Registration‘