Wednesday, June 27, 2012

Computer leert kijken als arts

Software om medische scans te analyseren werkt vaak slecht als scannerinstellingen veranderen of als beelden van verschillende typen scanners met elkaar worden vergeleken. Marleen de Bruijne van het Erasmus MC zoekt naar technieken die zichzelf kunnen aanpassen aan zulke technische veranderingen. 

Dit artikel is gepubliceerd in I/O Informatica-onderzoek van juni 2012

Dagelijks worden in Nederlandse ziekenhuizen duizenden scans gemaakt waarmee artsen onderzoeken wat er aan ons lichaam schort. Voor het stellen van een diagnose is het de arts zelf die het beeld beoordeelt, soms trouwens geholpen door een computerdiagnose. De arts geeft dan een kwalitatief oordeel. Daarnaast worden scans ook veelvuldig gebruikt in het klinische wetenschappelijke onderzoek. Onderzoekers proberen dan kwantitatieve informatie uit een grote dataset met beelden te halen. Zo gebruiken diverse grootschalige longonderzoeken wel tienduizend scans om de precieze invloed van roken op de longen te onderzoeken. Dat aantal is zo groot dat automatische beeldanalyse noodzakelijk is. Automatische beeldanalyse is ideaal voor kwantitatief onderzoek, bijvoorbeeld om te meten in welke mate de wanden van de luchtwegen verstijven en dikker worden of bij welke patiënten een bepaald medicijn wel of niet werkt.

Universitair hoofddocent Marleen de Bruijne van het Erasmus MC in Rotterdam werkt al sinds het begin van haar promotieonderzoek in 1998 aan medische beeldanalyse. Geregeld zag zij dat een nieuw algoritme weliswaar goed werkte voor de beelddata waarvoor het ontwikkeld was, maar niet meer voor de beelden van een ander ziekenhuis, die gemaakt waren met een ander type scanner. De Bruijne: “Een scan van dezelfde hersenen kan er bij verschillende scannerinstellingen heel anders uitzien. Dat verschil zit bijvoorbeeld in het contrast, de intensiteiten, de ruis en de grootte van de pixels. Zo kan hersenvocht op de ene scan donkerder en op de andere scan juist lichter zijn dan het hersenweefsel. Daarnaast zien de hersenen van jonge patiënten er anders uit dan die van ouderen. Daarom is het lastig om automatische technieken te ontwikkelen die op al deze beelden goed werken. En schaft een ziekenhuis een nieuwe scanner aan, dan kunnen de scans van eenzelfde patiënt gemaakt op de nieuwe scanner niet meer automatisch worden vergeleken met die gemaakt op de oude scanner.”

Volgens de Bruijne is dit een van de grootste problemen in de automatische medische beeldanalyse. Binnen een NWO-Vidi-project (zie kader) werkt ze daarom sinds oktober 2011 aan een oplossingsmethode. Ze richt zich op het ontwikkelen van beeldanalysetechnieken die zichzelf aanpassen aan veranderingen in scannerinstellingen of scannertype. “Daarvoor gebruiken we een tak van de patroonherkenning die in het Engels ‘transfer learning’ heet”, zegt de Bruijne, “in het Nederlands zoiets als ‘leeroverdracht’. Het idee is vergelijkbaar met het leren van een nieuwe taal. Het leren van een nieuwe taal gaat gemakkelijker als je al vijf talen spreekt dan wanneer je aan je eerste nieuwe taal begint. Je gebruikt daarbij de kennis van de talen die je al kent en de ervaring van hoe je het best een taal kunt leren. Op dezelfde manier ontwikkelen wij technieken die leren van de automatische beeldanalyses van verschillende typen beelden. Met deze kennis kan de automatische beeldanalyse van een nieuw type scanner of een nieuwe scannerinstelling sneller van nieuwe voorbeelden leren.”

Kennis van een bekend probleem gebruikt de Bruijne dus voor de toepassing op een nieuw, maar vergelijkbaar probleem. Dat gaat eigenlijk net zoals mensen het balgevoel dat ze opdoen met volleybal bijvoorbeeld ook weer kunnen gebruiken bij handbal. Technieken uit de leeroverdracht worden bijvoorbeeld al gebruikt op het terrein van tekstclassificatie, maar voor het eerst nu ook in de medische beeldanalyse. “Lerende modellen die gebaseerd zijn op patroonherkenning werken vaak veel beter dan modellen waarbij vooraf precies wordt beschreven hoe een bepaalde structuur in het lichaam eruit ziet”, zegt de Bruijne. “Om een voorbeeld te geven: in oude modellen werd een bloedvat beschreven als een cilinder. Maar hoe gedetailleerder je naar een bloedvat kijkt, hoe meer het afwijkt van een ideale cilinder. Het is gekromd. Er zit ruis in het beeld. Het bloedvat is hier wat dunner en daar wat dikker. Patroonherkenning gaat met zulke variaties beter om.”

Eerste resultaat 
Sinds oktober 2011 onderzoekt promovenda Annegreet van Opbroek onder leiding van de Bruijne verschillende manieren van leeroverdracht voor de beeldanalyse van MRI-scans van de hersenen. “Veranderingen van de vorm of structuur van weefsels en structuren kunnen een aanwijzing zijn voor een ziekte”, zegt van Opbroek. Hoewel ze pas iets meer dan een half jaar bezig is, heeft ze al een interessant resultaat geboekt. “Stel, een ziekenhuis koopt een nieuwe scanner. Idealiter zou je, om de scans van patiënten met de oude en de nieuwe scanner met elkaar te vergelijken, eerst een heleboel patiënten met de nieuwe scanner moeten scannen en handmatig door een arts moeten laten beoordelen. Dat is tijdrovend. Ik heb laten zien dat je al heel wat wint wanneer je slechts één patiënt op de nieuwe scanner scant. Als een arts handmatig aangeeft welke hersenstructuren waar op de nieuwe scan zijn te zien, en je combineert die kennis met de kennis van de scans op de oude scanner, dan geeft dat al een behoorlijke verbetering.”

Het met de hand analyseren kan enkele uren tot soms zelfs wel enkele dagen duren voor een driedimensionale hersenscan. Zo’n scan bestaat namelijk uit honderden doorsneden die een arts dan allemaal handmatig moet doorwerken. “Het interpreteren van een tweedimensionaal beeld doet een arts vaak nog veel beter dan een computer”, vertelt de Bruijne, “maar gaat het om een driedimensionaal of zelfs een bewegend beeld, dan wordt het ook voor een getrainde arts lastig en worden automatische technieken belangrijk.”

De Bruijne wil haar lerende technieken niet alleen gebruiken voor beelden van MRI-scanners, maar ook van CT-scanners: “Binnen dit Vidi-project ontwikkelen we heel algemene technieken die voor verschillende soorten beelden en verschillende lichaamsdelen toepasbaar zijn. Twee toepassingsgebieden die we verder onderzoeken zijn hersen-MRI en long-CT. Ik hoop dat aan het eind van het project, in 2016, onze technieken hiervoor ook in de kliniek gebruikt kunnen worden.”

Medische praktijk 
De Bruijne werkt binnen het Erasmus MC samen met radiologen, longartsen en epidemiologen. De epidemiologen startten in 1990 een onderzoek waarbij gezonde oudere inwoners van Rotterdam jarenlang worden gevolgd om het ontstaan van ouderdomsziekten beter te begrijpen. Als deel van het onderzoek worden ook hersenscans gemaakt en daarbij is een goede automatische beeldanalyse belangrijk.

De Bruijne is opgeleid als natuurkundige. Hoe maakt zij zich de medische kennis eigen die in haar werk noodzakelijk is? “Als ik me wil inwerken op een medisch terrein dat ik niet ken, dan ga ik naar een klinische conferentie waar vaak opfriscursussen worden gegeven”, vertelt ze. Daarnaast leert ze veel door te praten met de medici binnen haar samenwerkingsverbanden. Hun kennis is onontbeerlijk om automatische beeldanalyse te verbeteren.

“Laat ik een voorbeeld geven”, zegt de Bruijne. “Bij een onderzoek naar de chronische longziekte COPD volgen we tweeduizend patiënten. Jaarlijks wordt een scan van hun longen gemaakt. Tijdens de scan moeten de patiënten zo diep mogelijk inademen. Maar de ene keer lukt dat beter dan de andere keer. Het verschil kan soms wel een liter aan longinhoud zijn, en dat betekent een groot verschil in de dichtheid en vorm van de longen Bij het automatisch vergelijken van de scans moeten we daarmee rekening houden. De longartsen hadden al een model ontwikkeld om voor de verschillen in longdichtheid te corrigeren. Dat model hebben we gecombineerd met onze beeldbewerkingstechnieken die twee verschillende scans van dezelfde patiënt als het ware digitaal over elkaar heen schuiven om ze een-op-een met elkaar te kunnen vergelijken.En deze combinatie werkte beter dan standaard technieken.”

Hoogleraar radiologie Gabriel Krestin, tevens hoofd van de afdeling radiologie van het Erasmus MC, kijkt uit naar beter technieken voor automatische beeldanalyse. “De interpretatie van medische beelden gebeurde vroeger puur subjectief. Nieuwe technieken, zoals Marleen de Bruijne en haar groep die ontwikkelen, stellen ons in staat steeds meer kwantitatief onderzoek te doen op basis van objectieve criteria. Of de computer de arts ooit helemaal gaat vervangen? Nee, ik denk het niet. De ervaring van de arts met de patiënten zal altijd wel nodig blijven, maar de computer stelt ons wel in staat om betere diagnoses te stellen en beter wetenschappelijk onderzoek te doen.”

[kader:]

Vidi-project met een Deens tintje

In oktober 2011 ging onder leiding van Marleen de Bruijne het NWO Vidi-project ‘Computers met ervaring’ van start. De Bruijne ontving een subsidie van € 800.000 voor vijf jaar. Van dit geld kan ze twee promovendi en een postdoc betalen en een deel van haar eigen salaris. Eén promovenda, Annegreet van Opbroek, is al begonnen; voor een tweede promovendus en postdoc heeft de Bruijne nog vacatures open.

Promovenda Annegreet van Opbroek werkt op het terrein van de beeldanalyse van MRI-hersenscans. De bedoeling is dat de tweede promovendus zich gaat richten op CT-scans van de longen. De Bruijne probeert algemene lerende beeldanalysetechnieken te ontwikkelen die binnen vijf jaar toegepast kunnen worden in het klinische onderzoek. Een van de vele toepassingen ligt op het terrein van de vroege diagnose van dementie. Door het beter kwantificeren van hersenweefsel en hersenstructuren hopen onderzoekers de diagnose dementie steeds vroeger te kunnen stellen.

Naast een aanstelling als universitair hoofddocent aan de Biomedical Imaging Group Rotterdam van het Erasmus MC heeft de Bruijne ook nog een aanstelling als universitair hoofddocent aan de faculteit informatica van de Universiteit van Kopenhagen. In Denemarken begeleidt ze ook nog twee promovendi. “Ik ben tachtig procent van de tijd in Nederland en de overige twintig procent in Kopenhagen”, zegt de Bruijne. “Inhoudelijk overlapt mijn werk in Nederland met dat in Denemarken. De meerwaarde is dat ik het meer fundamenteel gerichte informatica-onderzoek uit Kopenhagen kan combineren met het meer op de geneeskundige praktijk gerichte onderzoek in Rotterdam. Die combinatie bevalt me uitstekend.”

Internet
www.bigr.nl/website/

English summary:

One of the main problems in automatic medical image analysis is the fact that scans of the same body structure can look very different on different scanners or at different scanner settings. The differences can reveal themselves in the contrast, intensity, noise and size of the pixels. Associate professor Marleen de Bruijne from Erasmus MC in Rotterdam and her research group try to solve this problem. De Bruijne focuses on the development of image analysis techniques that adapt themselves to changes in scanner settings or scanner type. She uses a branch of pattern recognition called ‘transfer learning’. The main idea is similar to learning a new language. Learning a new language is easier if you already speak five languages than if you start to learn your first new language. You use the knowledge of languages you already know to more easily learn a new language. In the same way de Bruijne and her research group develop techniques that learn from the automatic image analysis of different scanners and scanner settings. With this knowledge, the automatic image analysis applied at a new type of scanner or a new scanner setting, can more quickly learn from new examples.