Automatische detectie van slokdarmkanker op niveau van topartsen

0

De herkenning van de vroege stadia van kanker bij een Barrett-slokdarm, op basis van endoscopiebeelden en biopten, schiet tekort. Onderzoeker Fons van der Sommen heeft daarom nieuwe computertechnieken ontwikkeld die deze vorm van kanker kunnen herkennen in digitale beelden die met een endoscoop zijn gemaakt in de slokdarm. Deze technieken zijn vrijwel even goed als topartsen, en in een geval zelfs beter. Deze resultaten zijn een belangrijke stap richting een hoogkwalitatief automatisch herkenningssysteem (computer-aided detection, CAD). Gisteren promoveerde Van der Sommen cum laude op zijn onderzoek.

Barrett-slokdarm is een aandoening waarbij het lichaam de normale cellen aan de binnenkant van de slokdarm vervangt door cellen die goed tegen zuur kunnen. Dit gebeurt in reactie op regelmatige reflux. Mensen met een Barrett-slokdarm hebben een 30 keer zo hoge kans op het ontwikkelen van slokdarmkanker en krijgen daarom regelmatig een endoscopische inspectie. Als kanker in een vroeg stadium wordt gevonden, dan kan het meteen behandeld worden, met de endoscoop. Wordt de kanker pas later gevonden, dan is vaak een ingrijpende operatie nodig en chemotherapie, en de prognose ziet er dan veel slechter uit. Maar de vroege stadia zijn alleen goed herkenbaar voor een handjevol topspecialisten. Betere herkenningstechnieken zijn daarom zeer gewenst. Niet alleen om lijden te voorkomen, maar ook om de ermee gemoeid gaande zorgkosten te verminderen. Het onderzoek van Van der Sommen richtte zich op het ontwikkelen van zulk soort technieken.

Vrijwel even goed
In het eerste deel van zijn werk werkte hij met digitale endoscopische beelden die zijn gemaakt met gewoon wit licht. Hij bestudeerde daarvoor de visuele eigenschappen van de vroege kankerstadia in Barrett-slokdarm, en gebruikte die als basis voor nieuwe algoritmes voor een herkenningssysteem. Dit systeem bleek uiteindelijk vrijwel even goed in het vinden van kanker in endoscopiebeelden als vier internationale topartsen op gebied van Barrett. Het aftekenen van de rand van het kankerweefsel doen de algoritmes net iets anders dan de topartsen; de artsen tekenen meestal een ruimer gebied af.
Van der Sommen maakte een apart algoritme voor de voorselectie van digitale beelden, zodat beelden die bijvoorbeeld niet scherp genoeg zijn of waar veel reflectie in zit, worden uitgesloten. Dit verlaagt de kans op foute positieven (kanker zien waar geen kanker is) en verhoogt zo de betrouwbaarheid van het CAD-systeem.

Erik Schoon

Tot drie millimeter diep
Het tweede deel van het onderzoek betrof een relatief nieuwe endoscopische techniek: Volumetric Laser Endoscopy (VLE). Hierbij wordt met een laser het de bovenste cellaag van de slokdarm bekeken, tot drie millimeter diep. Aangezien slokdarmkanker vooral vlak onder het oppervlak ontstaat, is dit een veelbelovende techniek, vooral voor de meest gangbare vorm van slokdarmkanker (plaveiselcelcarcinoom). Helaas zijn de beelden die deze techniek oplevert gruizig en moeilijk te interpreteren voor mensen. In antwoord op dit probleem ontwikkelde Van der Sommen algoritmes die de vroege stadia van kanker kunnen herkennen in de VLE-beelden. Deze algoritmes bleken al vrij snel beter dan specialisten op gebied van VLE.

Smarphones
Het eerste initiatief voor dit onderzoek kwam van dokter Erik Schoon, Barrett-specialist in het Catharina Ziekenhuis in Eindhoven. Hij zag dat smartphones in staat waren om gezichten te herkennen en bedacht dat het dan ook mogelijk moest zijn om computers kanker te leren herkennen. Met dit idee stapte hij naar Peter de With, TU/e-hoogleraar Video Coding & Architectures. Het promotie-onderzoek van Van der Sommen, dat is gedaan in nauwe samenwerking met het Catharina Ziekenhuis, is een belangrijk resultaat van dit initiatief. Van der Sommen blijft als TU/e-onderzoeker werken aan de verdere ontwikkeling van deze herkenningstechnieken.

Share.

Reageer

CAPTCHA Image

Reload Image

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.