Machineleren voor het scannen van medische beelden

De meest gebruikte diagnostische beeldvormingsmethoden zijn:

• Ultrasonografie
• Röntgenfoto’s
• Computertomografie (CT)
• Magnetic resonance imaging (MRI)
• Scintigrafie of radionuclidescan (inspuiten van een radioactieve tracer in een ader, wachten tot deze zich verzamelt in een bepaald orgaan, bijvoorbeeld de schildklier, en met een scanner een foto maken van de verdeling van de tracer)

Alle genoemde technieken kennen meerdere varianten, bijvoorbeeld Doppler echografie, een MRI met contrast, etc. De Wikipedia’s Medical Imaging heeft een meer gedetailleerde “index” van technieken met links naar afzonderlijke artikelen.

Op Biology SE is er een lijst van websites die open-access images aanbieden, waarvan sommige met de beschrijvingen van gevallen komen. Voordat u een boek koopt, raad ik u ten zeerste aan om een duidelijk beeld te krijgen van welke soorten boeken voor uw doel geschikt zijn. Een boek dat uitstekend kan zijn voor een arts of een student geneeskunde, kan voor u nutteloos zijn. Ik raad u ook aan om om te beginnen EEN beeldvormingstechniek te kiezen en die een beetje te onderzoeken, in plaats van alle beeldvorming in één keer te doen; de problemen bij ultrasonografie zijn beduidend anders dan bij CT.

Voorbeelden van zwakke punten van beeldvormingstechnieken:

• Een CT en MRI zijn, in ieder geval, duur.
• Een röntgenfoto kan alleen laesies laten zien die aanzienlijk meer of minder radiopaak zijn dan de omringende weefsels (hij kan bijvoorbeeld alleen kalkrijke galstenen laten zien en geen andere).
• Een MRI van de galblaas kan geen betrouwbaar onderscheid maken tussen niet-kankerachtige poliepen en kankers Radio Graphics ).
• Het meest voorkomende probleem is waarschijnlijk dat ondanks de hoge gevoeligheid (het vermogen om een laesie op te sporen), de specificiteit (het vermogen om een exact type laesie te onthullen/voorspellen) van CT- en MRI-scans nog steeds laag kan zijn.

Een veel voorkomende vraag voor een arts die na beeldvorming vaak onbeantwoord blijft, is: Is de laesie kankerachtig of niet, of hoe groot is de kans dat de laesie zich tot kanker ontwikkelt? Galblaaspoliepen groter dan 10 mm hebben bijvoorbeeld aanzienlijk meer kans op kanker dan de kleinere, maar het is niet duidelijk of het risico toeneemt na bijvoorbeeld 5 mm of na 15 mm. Ook kan soms met beeldvorming niet worden aangetoond of de kanker is uitgezaaid naar nabijgelegen organen.

EDIT:

Om een laesie op een CT-beeld te voorspellen, moet je weten hoe een normaal CT-beeld eruitziet en hoe een laesie eruitziet. De kennis over wat een laesie is, is afkomstig van vergelijkingen van vele CT-beelden en de werkelijke fysieke situaties die tijdens een operatie zijn ontdekt. Om deze kennis uit te breiden tot meer dan wat je met je eigen ogen op een CT-beeld kunt zien, zou je opnieuw vele CT-beelden (met behulp van een computerprogramma) moeten vergelijken met operatieresultaten.

Ik stel me voor dat hiervoor een project nodig is waarbij verschillende ervaren radiologen, chirurgen en computerdeskundigen betrokken zijn. Eén project zou zich op één vraag moeten richten, bijvoorbeeld: Wat zijn de voorspellers van galblaaskanker bij abnormale galblaasgezwellen die op een CT-beeld worden ontdekt? Duizenden CT-beelden en operatieresultaten zouden dan moeten worden vergeleken om eventuele verbanden te vinden.

Ik wil graag een aanbeveling doen, als onderzoeker die ook in medische beeldvorming werkt. U zegt dat u geïnteresseerd bent in het voorspellen van de diameter van de laesie, het geslacht van de patiënt en de leeftijd van de patiënt op basis van de scans. Wanneer een radioloog echter een scan leest, kent hij reeds het geslacht en de leeftijd van de patiënt omdat die informatie in het medisch dossier staat. Zij kennen ook de reden van de scan. Zo krijgen zij vaak te zien: “Mevrouw Smith is een 55-jarige vrouw met longkanker in het verleden”, samen met de scan zelf. (En ze kunnen op het medisch dossier van de patiënt klikken en alles in het medisch dossier bekijken als ze dat willen). Dus, ik denk dat je beter af bent als je geen dingen voorspelt die al bekend zijn bij de dokter. Er zijn veel andere coole medische beeldvormingstaken die je kunt doen met de DeepLesion dataset, bijvoorbeeld voorspellen of er een laesie in de scan zit.

Hier zijn enkele andere bronnen die je misschien kunnen helpen:

1. Overzicht van de basis anatomie van de borst voor radiologie en anatomie van de buik voor radiologie
2. Radiologie termen van locatie ](https://glassboxmedicine.com/2019/01/22/anatomy-for-radiology-terms-of-location/)
3. Hoe normale röntgenfoto’s van de borst te lezen ](https://glassboxmedicine.com/2019/02/10/radiology-normal-chest-x-rays/). Röntgenfoto’s van de borst zijn geen CT’s, maar als u net leert omgaan met medische beeldvorming is het gemakkelijker te beginnen met röntgenfoto’s van de borst en dan over te gaan op CT’s
4. Interpretatie van abdominale CTs ](https://www.youtube.com/watch?v=Eg3GeUmOeYE)