"False"
Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Publicerad: 2022-08-31 Uppdaterad: 2023-10-18, 16:37

Reducera skräp och störningar i röntgenbilder med hjälp av AI

PORTRÄTT Magnetkamerabilder utan brus, för bättre behandling och prognos. Anders Garpebring vill med hjälp av AI kunna få ut skarpare och tydligare resultat från bilder av cancertumörer, så att stråldosen än bättre kan anpassas för varje patient.

Text: Lena Åminne
Bild: Mattias 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.

– 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.

AI inom medicinen

AI – artificiell intelligens – är egentligen ett samlingsnamn för datorprogram som har förmågan att efterlikna mänsklig intelligens. På senare tid har en specifik sorts AI, djupa neurala nätverk, rönt stora framgångar och fått stort genomslag inte minst inom medicinsk tillämpning. Dessa nätverk kan tränas utgående från till exempel att identifiera komplexa samband. Det kan exempelvis vara att lära sig att rita ut var tumörer ligger i bilder, avgöra om en tumör är benign eller malign, eller rensa bort brus och andra störningar i bilder.   

AI används i allt högre utsträckning inom både hälso- och sjukvården och medicinsk forskning. Exempelvis för att förbättra bildkvalitén på MRT-bilder, vilket innebär kortare undersökningstider. Eller för att ge stöd i repetitiva moment som när riskorgan och tumörer ska identifieras vid strålbehandling.

Mer om Anders Garpebring

Familj: Mamma, pappa och en bror
Kommer från: Älvsbyn
Bor: Umeå, Nydalahöjd
Driver mig i arbetet: Att lösa problem
Inspirerar mig: Oväntade perspektiv
Bästa avkoppling: Att dansa