Je leest:

Computer herkent bloedpropjes in CT-scan

Computer herkent bloedpropjes in CT-scan

Auteur: | 15 mei 2008

Elf procent van de patiënten met een longembolie – een bloedpropje in een longslagader – overlijdt in het eerste uur. Een snelle diagnose door de computer zou uitkomst bieden, maar tot nu toe kan de nauwkeurigheid van een computer nog niet op tegen het getrainde oog van een arts (radioloog). Dit kan binnenkort veranderen: dr. ir. Henri Bouma promoveert aan de TU/e op een methode, waarmee de radioloog 20 procent méér bloedpropjes kan vinden.

Voor het onderzoeken van longen en bloedvaten worden CT-scans gemaakt, want die geven een nauwkeurig beeld van zowel bot als weefsel. Het probleem is echter dat de CT-scanner geen gewone röntgenfoto’s produceert, maar een 3D-weergave. Dat is een stapel van bijvoorbeeld 400 röntgenfoto’s! Het is voor een radioloog lastig en tijdrovend om op deze beelden een longembolie te vinden.

Medische CT-scans produceren een 3D-beeld van het lichaam door honderden dwarsdoorsnedes te maken. Maar wie gaat die allemaal bekijken? Het ligt voor de hand om voor dit probleem een computer te gebruiken, maar dit is gemakkelijker gezegd dan gedaan. Voordat de computer een longembolie herkent, moet er heel wat gebeuren.

Het verschil tussen long en bloedvat

Bij een herkenningssysteem moeten de binnenkomende beelden vaak eerst worden opgeschoond. De CT-scans zijn echter direct goed bruikbaar; de ruis (vlekjes, onzuiverheden) die er is, wordt vanzelf weg gefilterd tijdens de volgende stap, de segmentatie.

De segmentatie verdeelt het beeld in verschillende onderdelen, meestal voorgrond (object) en achtergrond: een grijstint wordt hierdoor óf zwart óf wit. De snelste manier om dit te doen, is het gebruik van een threshold. Elke beeldpixel wordt vergeleken met deze threshold en wanneer de waarde van de pixel hoger is dan de drempel, wordt het als voorgrond gezien, anders als achtergrond.

De methode van Bouma segmenteert de CT-scans op deze manier, maar verdeelt het beeld in drie onderdelen. Donkere pixels worden gezien als achtergrond: longen bevatten veel lucht en zijn daardoor voornamelijk zwart. De bloedvaten zijn juist erg wit en daarom worden lichte pixels ingedeeld bij de voorgrond. Daartussen liggen verschillende grijswaarden en die vormen de derde groep, de emboliekandidaten. Dit zijn de stukken weefsel die mogelijk een embolie zijn.

Röntgenopnames

Bij het maken van een röntgenfoto wordt een bundel röntgenstraling op het lichaam gericht en daar waar het lichaam het licht doorlaat, kleurt de fotografische plaat achter het lichaam zwart. Dit is dus een projectie: de doorlaatbaarheid van het lichaam wordt op een plaat geprojecteerd.

De afkorting ‘CT’ in CT-scan staat voor computertomografie, een onderzoeksmethode die verwant is aan het maken van een röntgenfoto. Bij computertomografie wordt echter niet gekeken naar een projectie, maar naar doorsneden van het lichaam.

Bij een CT-scan wordt vanuit meerdere hoeken gemeten hoe goed het lichaam röntgenstraling doorlaat (rechterkant). De computer combineert alle metingen om een driedimensionale weergave van het onderzochte lichaamsdeel te maken. Vervolgens kan de arts op een beeldscherm naar doorsneden van dit 3D-beeld kijken (linkerkant).

Bij vaatonderzoek wordt gebruik gemaakt van computertomografie angiografie (CTA). Hierbij wordt de CT-scan gemaakt nadat er contrastvloeistof in het bloed is gespoten. Deze vloeistof verhoogt de intensiteit van de bloedvaten in de CT-beelden en zorgt er voor dat het bloed wit wordt afgebeeld. Op de plaatsen waar een bloedstolsel of prop aanwezig is, wordt de contrastvloeistof echter niet opgenomen, dus daar blijft het donker. Zo kan arts zien of er iets mis is: in geval van een longembolie - een bloedpropje dat de longslagader afsluit — is dit op de scan te zien als een grijze vlek.

Elke foto bestaat uit beeldpunten, ook wel pixels genoemd. De kleur van zo’n pixel bepaalt welke waarde de pixel heeft. Hierdoor kan een foto worden uitgedrukt in een matrix. Bij een zwart-wit foto zijn er maar twee mogelijkheden voor elke pixel: hij is zwart of wit en dit komt overeen met waarde 0 of 1.

Kenmerken bepalen het object

Na het identificeren van mogelijke embolieën moet worden bepaald welke kandidaten daadwerkelijk bloedpropjes zijn. Hiertoe worden de karakteristieke kenmerkenvan de emboliekandidaten berekend. Dit worden ook wel features genoemd: de eigenschappen op grond waarvan objecten van elkaar onderscheiden kunnen worden. In het dagelijks leven gebruiken wij ook zulke kenmerken, zo onderscheiden we voertuigen door te kijken naar de feature ‘aantal wielen’. Bij emboliekandidaten kijkt Bouma vooral naar de vorm, de grootte en de positie.

Bij de vorm gaat het niet alleen om de vorm van de emboliekandidaat. Stolsels hebben namelijk niet altijd dezelfde vorm en kunnen daarom niet alleen op basis hiervan herkend worden. De positie van de embolie ten opzichte van de rand van het bloedvat bleek ook erg belangrijk. Op basis hiervan kan worden vastgesteld of het om een stolsel of een stuk weefsel gaat (als de kandidaat dicht bij de rand ligt, is het waarschijnlijk weefsel).

Door ook te kijken naar de vorm van de bloedstroom en vast te stellen wat afwijkt van de regelmatige vorm, kan Bouma de bloedpropjes detecteren.

De berekende featurewaarden worden gebruikt in de volgende stap: de classificatie. Dit is het in klassen verdelen van de objecten. Zo worden bij de voertuigen alle objecten met waarde 2 voor de feature ‘aantal wielen’ tot de klasse ‘fiets’ of ‘motorfiets’ gerekend, terwijl de objecten met waarde 4 geclassificeerd worden als ‘auto’.

Meerdere features kunnen op verschillende manieren met elkaar gecombineerd worden. Bouma gebruikt in zijn methode een tree classifier. Zoals de naam al aangeeft, kan een tree classifier worden voorgesteld als een boom. Figuur 3 laat zien hoe zo’n boom er uit zou zien voor voertuigen. Bouma heeft in zijn boom gebruik gemaakt van de features ‘positie’ en ‘vorm bloedvat’.

Een tree classifier bepaalt in opeenvolgende stappen waar een voorwerp thuishoort. In elke node (rondje) wordt een beslissing genomen: een featurewaarde wordt getoetst aan een criterium. Afhankelijk van het antwoord, wordt de linker- of rechtervertakking naar het volgende level (laag) genomen. Hier wordt opnieuw een beslissing genomen. Dit gaat door totdat het object een label (klasse) krijgt toegewezen.

Werkt het wel?

Ten slotte moet het systeem uitvoerig getest worden. Dit gebeurt door CT-scans in te voeren en te meten hoeveel bloedpropjes (terecht en onterecht) de computer herkent. Het is belangrijk om hierbij onderscheid te maken tussen _train_– en testdata.

De trainset wordt gebruikt tijdens het maken van het systeem, het systeem wordt hierbij telkens iets aangepast. Als uiteindelijk een goed herkenningspercentage is bereikt, kan het systeem getest worden met de testset. Deze set moet andere scans bevatten dat de trainset.

Bouma heeft data van 38 patiënten voor het trainen van het systeem gebruikt en 19 andere patiënten om te evalueren. Dit zijn dus zo’n 15000 röntgenfoto’s om te trainen en 7600 om te testen! Ook is er niet alleen gebruik gemaakt van ‘mooie’ data, maar van realistische data waarin sporen van ziektes en andere afwijkingen voorkomen.

Het gemeten herkenningspercentage van Bouma’s methode was 63% en dit is behoorlijk goed. Het is onvoldoende om de computer alleen de beslissing te laten nemen, maar het kan het werk van de radioloog aanzienlijk versnellen.

Zie verder:

Dit artikel is een publicatie van TU Delta.
© TU Delta, alle rechten voorbehouden
Dit artikel publiceerde NEMO Kennislink op 15 mei 2008

Discussieer mee

0

Vragen, opmerkingen of bijdragen over dit artikel of het onderwerp? Neem deel aan de discussie.

NEMO Kennislink nieuwsbrief
Ontvang elke week onze nieuwsbrief met het laatste nieuws uit de wetenschap.