Neurala nätverk ger ny bild av hjärnsjukdomar

De senaste årens explosion av medicinska data har ökat kraven på snabbare och säkrare analysmetoder inom sjukvården. Vid institutionen för informationsteknologi utvecklar forskarna djupinlärningsmetoder för att förbättra behandling av hjärnsjukdomar.

Från bilddata av kliniska fall hämtas mätvärden
som används för att bygga upp ett artificiellt
neuralt nätverk.

Forskningsprojektet leds av Robin Strand från avdelningen för visuell information och interaktion på Uppsala universitet. Hans roll i samarbetet med neuroradiologer på Akademiska sjukhuset är att ta fram interaktiva digitala verktyg för stöd vid bildanalyser av hjärnsjukdomar. Fokus ligger på glioblastom, hjärntumörer, och intrakraniella aneurysmer, utbuktningar i artärernas förgreningar i hjärnan.

– För att förhindra att utbuktningarna spricker och leder till blödningar och stroke förbehandlar man patienter genom att fylla ut aneurysmen med platinatråd. Därefter vill man följa upp och kontrollera ifall blod fortfarande flödar i utbuktningen, vilket vi utvecklar metoder för, säger Robin Strand.

Metoderna baseras på en variant av maskinlärning som kallas djupinlärning. Från bilddata av kliniska fall hämtas mätvärden som används för att bygga upp ett artificiellt neuralt nätverk. Till nätverkets struktur fogas flera olika lager där varje lager motsvarar en viss upplösning av bilderna. Med den mänskliga hjärnan som förebild kopplas sedan små beräkningsenheter eller noder samman, som vagt efterliknar hur neuronerna i hjärnan är uppbyggda, förklarar Robin Strand.

– Det vi vill är att nätverket ska skilja på är rester av en aneurysm eller tumör, och vad som är bakgrund. Har man haft tillräckligt mycket bilddata som träning så har man ett system som kan göra bra gissningar.

Samtidigt räcker inte datorns urskiljningsförmåga; formerna hos rester av aneurysmer och tumörer kan vara oregelbundna och svåra att urskilja. Andra problem kan vara brus och andra förvrängningar av bilddata, berättar Robin Strand. Därför är den avgörande framgångsfaktorn att användaren är med och styr processen.

– En neuroradiolog måste gå in och dra ett streck, ”det här var rätt och det här var fel” och göra en förfinad analys. Det är interaktionen i bildbehandlingen som gör att behandlingssvaren kan bli så noggranna och säkra som möjligt.

Utmaningen ligger enligt Robin Strand i att få fram ett system som gör beräkningarna så bra och så snabbt som möjligt; användarens tid är värdefull. Resultaten från forskningsprojektet är hittills positiva.

– Vi har sett att när man tittar på tumörresterna med djupinlärningsverktygen så kan man göra kvantifieringen betydligt snabbare och med färre bilddata jämfört med konventionell analys.

Metoderna utvärderas som bäst på olika typer av bilddata. Men för ta det hela vägen till ett etiskt godkänt verktyg krävs ganska stora insatser, menar Robin Strand. Förhoppningen är dock att kunna bredda tillämpningarna för de artificiella neurala nätverken.

– Jag skulle vilja göra den här artificiella intelligensen så generell som möjligt, så att många olika problem kan lösas med samma metoder.

1 maj 2019