基于核磁共振成像或计算机断层扫描的手术更加困难，因为人们不能完全躺着不动。博士生Koen Eppenhof证明了基于深度学习的算法可以用来纠正不可避免的动作。

为了尽可能准确地进行放射治疗或手术，医生应该首先在扫描(核磁共振成像或计算机断层扫描)上画出要治疗的区域。然后通过新的扫描在手术台上定位区域——的位置，例如肿瘤——。这不是一件简单的事情。在两次扫描中，患者的位置永远不会完全相同，器官不可避免地会因呼吸而移动和变形。一个完整的专业医学图像配准已经出现，以应对这些困难，这是生物医学工程系医学图像分析团队的一个方面。

医学图像分析专业的博士生Koen Eppenhof说，医生已经有了智能软件，可以让他们将扫描仪中的人与之前仔细分析过的图像进行匹配。“然而，计算机运行计算需要几分钟的时间。理想情况下，您希望能够实时匹配两次扫描。”

五年前，当艾博恩霍夫开始博士研究时，深度学习的原则刚刚提出。这是一种可以更快完成这项任务的人工智能。据这位博士生说，这项技术似乎实现了它的承诺。“起初，我是大会上少数几个从事深度学习的人之一，但现在几乎所有的医学影像分析师都在使用它。”

游戏计算机

Eppenhof解释说，挑战在于将原始图像中的每个像素与新扫描图像中的相应像素进行耦合。为了做到这一点，他“训练”了所谓的深度神经网络，它运行在图形处理单元(gpu)上，相当于游戏计算机的处理器。“我们团队在高科技园区的凉房里保存了一套这样的GPU，我们可以登录使用。”

这个gpu神经网络通过参考数千个例子来学习如何执行任务。但缺乏培训材料。以肺部照片的问题为例。在吸气和呼气的不同阶段，肺部的“注册”图像太少。因此，埃彭霍夫决定以无数种不同的方式操纵现有的图像，并用它来支持神经网络。“接下来，我把训练好的神经网络分散成几十个真实的CT扫描，几个专家根据几百个已知的解剖标志进行注册，比如血管划分或相交的位置。”

因此，埃彭霍夫的培训网络表现几乎和个别专家一样好。“因此，这表明你可以用模拟数据而不是真实的医学图像来训练深层神经网络。它实际上非常有效，我认为这是我研究中最重要的结果。”他的神经网络也证明了他可以在不到一秒的时间内分析出图像——，与目前医院使用的计算方法所需的分钟数相比，并没有明显的提升。

这引起了UMC乌得勒支大学的兴趣，那里的前列腺癌患者目前正在接受核磁共振扫描仪的辐射。这有助于医生在治疗前立即确定前列腺的确切位置。“事实上，前列腺在放射过程中也会缓慢移动；它被推到一边，因为膀胱里充满了尿液。原则上，我的方法足够快，可以跟踪这个运动。”

很快，他的深度学习理论是否会应用于医院还有待商榷。这是因为目前还不清楚这种神经网络是如何工作的，这是很多人工智能应用都在努力解决的问题。Eppenhof解释说，这是一个黑匣子，安全部门无法评估。“无论如何，这项技术永远不会被允许完全自动运行。必须有人看着，确保电脑不会把整件事搞砸。”