Reducera skräp och störningar i röntgenbilder med hjälp av AI

De mätvärden Anders Garpebring vill förbättra rör t.ex blodflöde och celltäthet. De kan sedan användas för en mer träffsäker plan för strålbehandling.

BildMattias Pettersson

Anders Garpebring läste teknisk fysik i Luleå och efter studierna flyttade han till Umeå för att börja forska. Av en slump kom hans forskning att handla om strålbehandling och magnetresonanstomografi (MRT) – om att mäta blodflöden i tumörer. Efter disputationen följde en tvåårig post-doc i Nederländerna, då han jobbade med ett projekt om bildförbättring genom att kontrollera patientspecifika variationer vid högfältsmagnetkameror.

Tillbaka vid Umeå universitet är hans huvudspår i forskningen att förbättra kvalitén på kvantitativa mätningar som görs med MRT. Den information som eftersöks i bilderna är ofta indirekt i den mening att den behöver tolkas genom modeller och på detta tillkommer alltid störningar i bilderna i form av exempelvis brus. Detta gör att resultaten alltid har en osäkerhet och just den osäkerheten vill Anders minska med sin forskning.  

Skräp skapar osäkerhet

Alla bilder innehåller skräp och andra störningar som riskerar att dölja det man vill se. I vårt fall, säger Anders, bidrar detta till osäkerheter i de mätvärden som vi härleder från bilderna.

Genom att reducera osäkerheter i bilderna, kan stråldosen bättre anpassas för varje enskild cancertumör.

BildMattias Pettersson

– Osäkerheterna är precis det vi vill reducera, men vi vill också ta reda på hur stora de kvarvarande osäkerheterna är. Då kan stråldosen bättre anpassas för varje enskild cancertumör. Fokus i min forskning ligger framför allt på kvantitativa bilder inom området cancer, men också något mot kognitiv förmåga och åldrande.

De mätvärden Anders Garpebring vill förbättra rör till exempel blodflöde och celltäthet. Dessa värden kan sedan användas för en mer träffsäker plan för strålbehandling. Strålbehandlingen kan exempelvis riktas mer mot just det område där det finns mest aggressiva tumörceller.

Den nya AI-tekniken kan tränas upp att reducera bruset, för att på så sätt förbättra kvaliteten på mätvärden som beräknas från bilderna. För inom medicinen ställs höga krav på informationen i bilderna.

AI tränas dra slutsatser

– AI, eller i vårt fall en speciell typ av AI, neurala nätverk, kan tränas utifrån exempel med facit att själva hitta mönster. Det gör metoden mycket användbar i komplexa situationer där det är svårt att ge exakta regler för att till exempel skilja på benigna, godartade, och maligna, elakartade, tumörer i ett bildmaterial.

– Vi är i startskedet på ett projekt där vi ska ta in bilder av benigna och maligna tumörer som AI får träna på. Sedan får AI ett slutprov med information den inte tittat på tidigare och det är vad som avgör hur bra det faktiskt fungerar.

Ett problem med AI-tekniken är att den ofta kräver stora mängder data, vilket kan vara både dyrt och svårt att få tillgång till inom medicinska tillämpningar. Just data kommer vara den absolut viktigaste tillgången i framtiden när användningen av AI ökar. Det är lätt och billigt att ladda ner modeller från nätet men, säger Anders Garpebring, utan bra träningsdata kan de inte utföra de uppgifter vi vill ha dem till.

En flaskhals vid bröstcancerscreening är de stora personalresurser som krävs vid granskning av bilderna

– Det finns stor potential inom det här området. Nu kan en dator ta över det som traditionellt har gjorts av människan. Det sparar på personella resurser och dessutom går det att med AI få ut mer information och analysera mer komplexa data. Ett bra exempel är vid bröstcancerscreening där en viktig flaskhals är de stora personalresurser som krävs vid granskning. Även om 3D-bilder skulle kunna vara att föredra för vissa riskgrupper, kan det innebära mycket mer arbete när bilderna granskas. Men med AI-metoder behöver det inte lägre vara ett problem.

Risk för felbedömning

En risk som Anders Garpebring ser med AI-tekniken, är att den blir duktig på det den har lärt sig. Men, för det som avviker från det den lärt sig, finns risk för felbedömning. Subtila detaljer, som inte alls är uppenbara, kan få en AI modell att helt ändra vilket beslut den kommer fram till.

– Det finns vägar runt det problemet, exempelvis att tekniken talar om att den inte kan göra en bedömning eftersom den inte sett liknande data tidigare.