Docent i medicinsk strålningsfysik med förenad anställning som MR-fysiker. Min forskning är inriktad mot imaging med fokus på kvantitativ MR, AI och tillämpningar inom strålbehandling.
Docent i medicinsk strålningsfysik med förenad anställning som MR-fysiker på Norrlands Universitetssjukhus. Forskar inom kvantitativ bildtagning, främst magnetresonanstomografi (MRT) och dess tillämpningar inom strålbehandling.
Medicinska 3D bildtekniker som datortomografi (DT), MRT och positronemissionstomografi (PET) är i dag oumbärliga verktyg inom cancer-vården och helt avgörande för modern strålterapi. Hela vägen från diagnos, till planering av strålbehandling till uppföljning används bilder för att ge detaljerad och högupplöst information om tumören och dess omgivande vävnad. Desto mer detaljerad information man har desto bättre går det att rikta stråldosen där den gör mest nytta och på så sätt maximera möjligheten till bot samtidigt som man minskar biverkningarna. Det finns en stor potential till förbättring här genom att man använder MRT och PET teknik för att kvantitativt mäta egenskaper i tumörer och få 3D-bilder av exempelvis blodflöde, cellfördelning och metabolism som sedan kan användas till att anpassa stråldosen efter tumörbiologin.
MRT är en mångsidig teknik som kan göras känslig för många olika egenskaper i vävnad, exempelvis; celltäthet, cellorientering och cellstorlek, blodflöde, syresättning i blod, temperatur och pH-värde bara för att nämna några egenskaper som kan vara av intresse. Samtidigt som det finns stora möjligheter finns det också stora utmaningar i att mäta dessa egenskaper. Det är alltid en avvägning mellan hur snabbt informationen går att få och hur god precisionen blir på grund av brus. Utöver detta existerar ofta många oönskade faktorer som kan påverka noggrannheten i mätningarna. Av dessa anledningar är jag i min forskning intresserad av hur man på ett effektivt sätt kan estimera kvantitativa egenskaper från begränsade och brusiga data. Centralt i denna forskning är också att osäkerheterna i resultaten är minst lika viktiga som själva mätvärdena då dessa avgör i vilken utsträckning man i praktiken kan förlita sig på en viss uppmätt egenskap. För att närma sig målet att kunna erbjuda noggranna mätningar med kända osäkerheter i form av högupplösta bilder av relevanta egenskaper använder vi oss av en resurs som till skillnad från de flesta ökar varje år; nämligen beräkningskraft.
Den otroliga utvecklingen av datorer som skett på senare tid gör det möjligt att tillämpa avancerade statistiska modeller och artificiell intelligens för att pusha gränsen vad som är möjligt att göra med kvantitativ MRT. Förhoppningen är att vår forskning i framtiden därigenom kommer kunna leda till mer individanpassad strålbehandling som innebär en bättre prognos för patienter som behandlas för cancer.
Anders Garpebring vill med AI få ut skarpare och tydligare resultat från magnetkamerabilder av cancertumörer.