人工智能為操作帶來更高的精度

人們永遠無法完全靜止地躺著，這使得基于MRI或CT掃描的操作變得棘手。博士生科恩·埃彭霍夫(Koen Eppenhof)已證明，基于深度學習的算法可用于糾正不可避免的動作。

為了進行放射或盡可能精確地進行操作，首先要由醫生將要治療的區域繪制到掃描儀(MRI或CT)上。然后使用新的掃描將該區域(例如腫瘤部位)定位在手術臺上。這絕非易事：兩次掃描中患者的位置永遠不會完全相同，然后由于呼吸，器官不可避免地發生移動和變形。已經出現了一個完整的專業領域，即醫學圖像注冊，來應對這些困難，這構成了生物醫學工程系醫學圖像分析小組工作的一個方面。

根據博士學位 作為醫學圖像分析的候選人科恩·埃彭霍夫(Koen Eppenhof)的醫生，醫生們已經擁有了智能軟件，可以使他們將掃描儀中的人與所拍攝的圖像進行匹配，并在較早的日期進行仔細的分析。“但是，計算需要花費幾分鐘的計算機，而理想情況下，您希望能夠實時匹配兩次掃描。”

Eppenhof大約在5年前開始博士研究時，深度學習的原則剛剛起步。這是一種人工智能形式，能夠更快地完成此任務。根據該博士候選人的說法，這項技術似乎已經實現了其諾言。“起初，在會議上，我是從事深度學習的少數人之一，而現在幾乎所有醫學圖像分析的人都在使用它。”

游戲機

Eppenhof解釋說，挑戰在于將原始圖像中的每個像素與新掃描中的相應像素耦合在一起。為此，他“訓練”了所謂的深度神經網絡，該網絡在圖形處理單元(GPU)上運行-與游戲計算機中的處理器相當。“我們的團隊將這些GPU的群集保存在高科技園區的一個涼爽的房間里，我們可以登錄。”

這種GPU的神經網絡通過參考成千上萬的示例，向自己傳授了如何執行其任務。但是缺少培訓材料。考慮一下肺部照片的問題：在呼入和呼出的各個階段，幾乎沒有多少套“已注冊”的肺圖像。因此，Eppenhof決定以無數種不同的方式來處理現有圖像，并將其用于神經網絡。“接下來，我將經過訓練的網絡放到一組幾十個真實的CT掃描上，由多個專家根據數百個公認的解剖學標志(例如血管分裂或交叉的位置)進行注冊，以放松。