教育新闻网人们永远无法完全躺下，这使得基于MRI或CT扫描的操作变得更加棘手。博士生科恩·埃彭霍夫(Koen Eppenhof)已证明，基于深度学习的算法可用于纠正不可避免的动作。
为了进行放射或尽可能精确地进行操作，首先要由医生将要治疗的区域绘制到扫描仪(MRI或CT)上。然后使用新的扫描将该区域(例如肿瘤部位)定位在手术台上。这绝非易事：两次扫描中患者的位置永远不会完全相同，然后由于呼吸，器官不可避免地发生移动和变形。为了解决这些困难，出现了一个完整的专业领域，即医学图像注册，这构成了生物医学工程系医学图像分析小组工作的一个方面。
根据博士学位作为医学图像分析的候选人科恩·埃彭霍夫(Koen Eppenhof)的医生，医生们已经拥有了智能软件，可以使他们将扫描仪中的人物与所拍摄的图像进行匹配，并在较早的日期进行仔细的分析。“但是，计算需要花费几分钟的计算机，而理想情况下，您希望能够实时匹配两次扫描。”
当Eppenhof于不到五年前开始博士研究时，深度学习的原则刚刚起步。这是一种人工智能形式，能够更快地完成此任务。根据该博士候选人的说法，这项技术似乎已经实现了其诺言。“起初，在会议上，我是从事深度学习的少数人之一，而现在几乎所有医学图像分析的人都在使用它。”
游戏机
Eppenhof解释说，挑战在于将原始图像中的每个像素与新扫描中的相应像素耦合在一起。为此，他“训练”了所谓的深度神经网络，该网络在图形处理单元(GPU)上运行-与游戏计算机中的处理器相当。“我们的团队将这些GPU的群集保存在高科技园区的一个凉爽的房间里，我们可以登录。”
这种GPU的神经网络可以通过引用成千上万的示例来教导自己如何执行任务。但是缺少培训材料。考虑一下肺部照片的问题：在呼入和呼出的各个阶段，几乎没有多少套“已注册”的肺图像。因此，Eppenhof决定以无数种不同的方式来处理现有图像，并将其用于神经网络。“接下来，我将经过训练的网络放到一组几十个真实的CT扫描上，由多个专家根据数百个公认的解剖学标志(例如血管分裂或交叉的位置)进行注册，以放松。
