לפענת מאות תמונות MRI בכלים אוטומטים המבוססים על שיטות ראיה ממוחשבת

פרופ׳ חיית גרינשפן, מהפקולטה להנדסה באוניברסיטת תל אביב, מפתחת כלים אוטומטים, לעזרת הרופאים, כך שיוכלו לבדוק ולעבור על מאות תמונות מבדיקות MRI ו-CT, כך שיוכלו לזהות האם הן תקינות או לא.

13 דצמבר 2018
לפענת מאות תמונות MRI בכלים אוטומטים המבוססים על שיטות ראיה ממוחשבת

במעבדה לעיבוד תמונות רפואיות בניהולה של פרופ' חיית גרינשפן  מפתחים פתרונות הנדסיים לסיוע בפענוח תמונות רפואיות אשר יעזרו לרופאים להשיג קריאת מקרים מהירה יותר ומדויקת יותר. פרופ' גרינשפן ישבה איתנו השבוע והסבירה לנו על פיתוחים פורצי הדרך שיצאו לאחרונה מהמעבדה בנושא של אנליזת גידולים בכבד בבדיקות CT

 

מה מפתחים היום במעבדה שלך לעיבוד תמונות רפואיות?

במעבדה מפתחים כלים אוטומטיים המבוססים על שיטות מתקדמות בראייה ממוחשבת, מערכות לומדות  (Deep Learning)ובינה מלאכותית ככלי עזר לרדיולוג  בפיענוח בדיקות X-RAYCT  ו-MRI.

תמונות רפואיות מהוות חלק אינטגרלי בדיאגנוסטיקה ובכלל שלבי הטיפול הרפואי. כיום, עקב שיפורים במכונות הדימות, סריקות CT ו-MRI מכילות מאות ואף אלפים של תמונות. בתהליכי העבודה השוטפים, הרדיולוג צריך לעבור על בדיקות דימות שלמות ולזהות האם הן תקינות או לא, וכן לדווח על מכלול הפתולוגיות הנראות בסריקה. כיום ישנה הסכמה בקרב הקהילה כי כלים אוטומטיים, שיספקו תוצאות עקביות ומדויקות, חשובים ככלי עזר לרדיולוג  וכן יהוו מרכיב משמעותי לפיתוח רפואה כמותית ומתקדמת יותר.

 

במעבדה של פרופ. גרינשפן עובדים בתחום זה במגוון מחקרים– מגילויים דחופים בתמונות X-RAY  בבית החזה, גילויים של נגעים בתמונות MRI  של המוח, ואנליזה אוטומטית של גידולים בכבד בבדיקות CT. פירסומים מהמעבדה, ביניהם ספר ראשון בתחום, היו בין הראשונים בעולם שהראו כי שימוש בכלים מבוססים למידה עמוקה(Deep Learning)  אפשריים ומקדמים את תחום עיבוד התמונות הרפואיות.

 

בבדיקות הCT יש חשיבות רבה לזיהוי מוקדם של גידולים בכבד על מנת לאפשר מתן טיפול מתאים. התוכנות האוטומטיות שמפותחות במעבדה מלוות את התהליך משלב הגילוי של הנגעים, אפיון שלהם כגידולים ממאירים או שפירים, ועד להמלצות ראשוניות לאופי הטיפול המומלץ – ולמעקב בזמן אחר השפעת הטיפול על מצב הנגעים. סטודנטים מהמעבדה: עידית דיאמנט, אבי בן-כהן ומעיין פריד אדר– פירסמו בשנה האחרונה בכנסים - ISBI IEEE ו- MICCAI ,מספר מאמרים ראשוניים בתחום הזוכים לציטוטים רבים - בהם שימוש בכלי  Deep Learning  משמשים לפיענוח אוטומטי של תמונות CT בכבד עם שיפור משמעותי בתוצאות יחסית לשיטות קודמות. במאמר שהתפרסם זה עתה בעיתון  Academic Radiology   מדגים אבי, דוקטורנט במעבדה, שימוש ראשוני בכלי הלמידה החדשים ככלי עזר לרדיולוג להבנת מקור הסרטן של גרורות בכבד בהינתן מאפיינים שונים של הגרורה בסריקות CT  - דבר שאינם מסוגלים לעשות היום. מערכות אוטומטיות כמו זו, מציגות יכולות חדשות ומבטיחות שבעתיד הקרוב יוכלו לספק תמיכה והמלצה להמשך טיפול לרדיולוגים ולאונקולוגים בעבודה השוטפת בבתי החולים.

 

ספרי לנו על שיתוף הפעולה בין המרכז הרפואי שיבא והמעבדה לעיבוד אותות

שיתוף פעולה בתחום זה קיים בין מחלקת הדימות בשיבא בראשותו של פרופ. אלי קונן  והמעבדה שלנו מהמחלקה להנדסה ביו-רפואית באוניברסיטת תל אביב. בבית החולים נאספות בדיקות לצורך למידה ואימון של הכלים האוטומטיים. התקווה היא ששיבא יהיה אחד מבתי החולים הראשונים שיעשו שימוש בפיתוח.   

 

איך נולד הרעיון לפתח תוכנה לפענוח תמונות רפואיות?

רוב הפיתוחים שלנו נולדים מדו שיח עם רדיולוגים, והבנה של צרכים. במקרה המסוים הזה, ישבנו עם דר' מיכל אמיתי ודר' אייל קלנג, מקבוצת ה-CT בטן במחלקת הדימות בשיבא, ולמדנו מהם על הצורך בכלי עזר למציאת נגעים בכבד, השאיפה לתמיכה בהחלטה באבחון הנגעים וההכרה שלהם בצורך למדוד שטח ונפח של הכבד והנגעים בו-דבר שאינם מסוגלים לעשות בתהליכי הדיאגנוסטיקה כיום. 

 

איך הפיתוח החדש יתרום לחולים?

באופן כללי, שימוש בתוכנה אוטומטית יעזור לרופאים להשיג קריאת מקרים מהירה יותר ומדויקת יותר. החולים יזכו במשוב מהיר המכיל מדדים כמותיים לממצאים השונים. בנוסף, יוכל החולה לקבל מדידות מדויקות של שינויים במחלה במהלך טיפול.

 

מה השלב הבא של הפיתוח?

אנחנו עובדים על פיתוח יכולות נוספות לאנליזה האוטומטית.  במעבדה שמים דגש מיוחד על יכולת עבודה עם מידע רפואי מצומצם, שזו נקודת הקושי המשמעותית ביותר בעבודה עם דטה רפואי, הדורש מומחה רפואי בתהליך הלמידה. כמו כן אנחנו ממשיכים לפתח יכולות במכלול גדול של מקורות דימות ופתולוגיות 

 

איך את רואה את ההשפעה של הפיתוח בעתיד הרפואה?

כלי הלמידה העמוקה (Deep Learning), המתפתחים היום, מהווים קפיצה אדירה קדימה ביכולת לקשר בין פיתוחים טכנולוגיים עם צרכים קליניים. אנחנו רואים היום יכולות המתקרבות ליכולת קלינית ולכן מאמינים שהכלים האוטומטיים ישתלבו 

בעתיד הלא רחוק במסגרות של דיאגנוסטיקה בבתי חולים וקליניקות.  אני מאוד מתלהבת מתקופה זו, בה אנו רואים לראשונה את הפוטנציאל לשימוש בכלים הנדסיים לשפר את הדיאגנוזה והטיפול בחולים.  בהמשך, יתכן כי יכולות הלמידה יעזרו להגדיר תהליכי טיפול מותאמי חולה, ויקדמו את הרפואה בצעדים גדולים קדימה.

 

 
אוניברסיטת תל-אביב, ת.ד. 39040, תל-אביב 6997801
UI/UX Basch_Interactive