Les opérations basées sur une IRM ou une tomodensitométrie sont rendues plus délicates par le fait que les gens ne peuvent jamais rester complètement immobiles. Le doctorant Koen Eppenhof a montré qu'un algorithme basé sur le deep learning peut être utilisé pour corriger les mouvements inévitables.

Pour administrer des radiations ou pour opérer le plus précisément possible, la zone à traiter est d'abord dessinée sur un scanner (IRM ou CT) par le médecin. Cette zone - le site d'une tumeur, par exemple, est ensuite localisé sur la table d'opération à l'aide d'un nouveau scan. Ce n'est pas simple :la position du patient n'est jamais exactement la même sur les deux scanners, et puis il y a les inévitables mouvements et déformations des organes dus à la respiration. Toute une spécialité, enregistrement d'images médicales, a surgi pour faire face à ces difficultés, et cela constitue un aspect du travail du groupe d'analyse d'images médicales au Département de génie biomédical.

Selon Ph.D. candidat Koen Eppenhof à Medical Image Analysis, les médecins disposent déjà d'un logiciel intelligent qui leur permet de faire correspondre la personne dans le scanner avec l'image réalisée et soigneusement analysée à une date antérieure. "Toutefois, il faut quelques minutes à un ordinateur pour faire le calcul alors qu'idéalement vous aimeriez pouvoir faire correspondre les deux scans en temps réel."

Quand Eppenhof a commencé ses études de doctorat il y a un peu moins de cinq ans, le principe de l'apprentissage en profondeur faisait juste son apparition; il s'agit d'une forme d'intelligence artificielle capable d'accomplir cette tâche beaucoup plus rapidement. Selon le doctorant, cette technologie semble avoir tenu ses promesses. "Initialement, lors de conférences, j'étais l'une des rares personnes à travailler avec le deep learning alors qu'aujourd'hui, presque tout le monde dans l'analyse d'images médicales l'utilise."

Ordinateur de jeu

Le défi consiste à coupler chaque pixel de l'image d'origine avec le pixel correspondant du nouveau scan, Eppenhof explique. Pour faire ça, il a "formé" ce qu'on appelle un réseau de neurones profonds, qui fonctionne sur des unités de traitement graphique (GPU) - comparables aux processeurs des ordinateurs de jeu. "Notre groupe conserve un cluster de ces GPU dans une pièce réfrigérée du High Tech Campus, et nous pouvons nous y connecter."

Ce type de réseau de neurones de GPU s'apprend, comme c'était, comment accomplir sa tâche en se référant à des milliers d'exemples. Mais il y a un manque de matériel de formation. Prenons le problème des photos pulmonaires :il y a tout simplement trop peu d'ensembles d'images « enregistrées » de poumons à divers stades de l'inspiration et de l'expiration. Eppenhof a donc décidé de manipuler une image existante d'innombrables manières différentes et de l'utiliser pour alimenter le réseau de neurones. "Prochain, J'ai détaché le réseau formé sur un ensemble de deux douzaines de véritables tomodensitogrammes, enregistré par de multiples experts sur la base de centaines de repères anatomiques reconnus, tels que les sites où les vaisseaux sanguins se séparent ou se croisent."

Cancer de la prostate

Il s'est avéré que le réseau formé d'Eppenhof fonctionnait presque aussi bien que les experts individuels. "Cela montre donc que vous pouvez entraîner des réseaux de neurones profonds en utilisant des données simulées plutôt que de vraies images médicales. Cela fonctionne en fait incroyablement bien, et je pense que c'est le résultat le plus important de mes recherches. » Son réseau de neurones s'est également avéré capable d'analyser les images en moins d'une seconde, ce qui n'est pas une mince amélioration par rapport aux minutes actuellement nécessaires aux méthodes de calcul utilisées dans les hôpitaux.

Cela rend son travail intéressant pour l'UMC Utrecht, où les patients atteints d'un cancer de la prostate reçoivent actuellement des radiations dans un scanner IRM. Cela aide les médecins à établir l'emplacement exact de la prostate juste avant le traitement. "En réalité, la prostate se déplace également lentement pendant la radiothérapie; il est écarté à mesure que la vessie se remplit d'urine. En principe, ma méthode est assez rapide pour suivre ce mouvement."

La question de savoir si sa version de l'apprentissage en profondeur se retrouvera bientôt dans les hôpitaux est discutable. En effet, on ne sait toujours pas exactement comment fonctionne ce réseau de neurones, un problème avec lequel de nombreuses applications d'IA sont aux prises. C'est une boîte noire et cela entrave son évaluation par les autorités chargées de la sécurité, Eppenhof explique. "En tout cas, les techniques de ce genre ne pourront jamais fonctionner de manière entièrement automatique. Il doit toujours y avoir une personne qui surveille pour s'assurer que l'ordinateur ne bâcle pas tout."