基于核磁共振或CT扫描的手术更加棘手，因为人们不可能完全静止不动地说谎。博士生Koen Eppenhof已经证明了一种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操作，医生首先要在扫描(MRI或CT)上画出需要治疗的区域。这个区域——例如肿瘤的位置——然后用新的扫描定位在手术台上。这不是一件简单的事情:在两次扫描中，病人的位置从来都不是完全相同的，而且由于呼吸，器官不可避免地会移动和变形。一个完整的专业，医学图像注册，已经出现，以处理这些困难，这是一个方面的工作医学图像分析小组在生物医学工程系。

据医学图像分析的博士候选人Koen Eppenhof说，医生们已经有了智能软件，使他们能够将扫描仪中的人与之前仔细分析过的图像进行匹配。“然而，计算机需要几分钟来运行计算，而理想情况下，你希望能够实时匹配两次扫描。”

当Eppenhof在5年前开始他的博士学习时，深度学习的原则刚刚被提出;这是一种能够更快完成这项任务的人工智能。根据这位博士候选人的说法，这项技术似乎已经实现了它的承诺。“最初，在会议上，我是少数几个从事深度学习的人之一，而现在几乎所有的医学图像分析人员都在使用它。”

游戏电脑

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——相当于游戏电脑的处理器。“我们的团队在高科技园区的一间凉爽的房间里保存了一组这样的gpu，我们可以登录它们。”

这种gpu的神经网络通过参考成千上万的例子来教会自己如何执行任务。但是培训材料短缺。以肺部照片的问题为例:在吸气和呼气的不同阶段，肺部的“登记”图像太少了。因此，Eppenhof决定用无数种不同的方式来操作一个现有的图像，并利用它来支持神经网络。“接下来，我把训练好的神经网络分散到几十个真实的CT扫描上，由多位专家根据数百个已知的解剖学标志进行登记，比如血管分裂或交叉的部位。”

结果是，Eppenhof的训练网络表现几乎和个别专家一样好。“所以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度神经网络。它实际上非常有效，我认为这是我的研究中最重要的结果。”他的神经网络也证明了自己能够在不到一秒的时间内分析图像——这与目前医院使用的计算方法所需要的分钟数相比，并无明显改善。

这使得他的工作引起了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准确位置。“事实上，前列腺在放射过程中也会移动缓慢;它被推到一边，因为膀胱充满尿液。原则上，我的方法足够快来追踪这种运动。”

不久之后，他的深度学习理论是否会被运用到医院里，还有待商榷。这是因为目前还不清楚这种神经网络究竟是如何工作的，而这正是许多人工智能应用程序正在努力解决的问题。Eppenhof解释说，这是一个黑匣子，这妨碍了负责安全的对其进行评估。“无论如何，这类技术永远不会被允许完全自动操作。必须有一个人看着，以确保电脑不会把整件事搞砸。”