Sluitstuk | Slim geluid, beter beeld

Cognitieve echografie moet haarscherpe beelden voor iedereen mogelijk maken

Scherpe echo’s in de ambulance, smartphone-echografie en betere zwangerschaps-echo’s in landen met beperkte gezondheidszorg. Dankzij een nieuwe manier van signaalverwerking en de inzet van deep generative models verbetert TU/e-onderzoeker Tristan Stevens de kwaliteit en toepassingsmogelijkheden van medische echografie. Vandaag verdedigt hij zijn onderzoek aan de faculteit Electrical Engineering.

door
foto Marieke de Lorijn

Aan het begin van zijn promotietraject liep Tristan Stevens mee in het Catharina Ziekenhuis op de afdeling Radiologie. Het opende zijn ogen. Want voor een patiënt mag het maken van een echo dan wel nauwelijks belastend zijn, voor een radiodiagnostisch laborant komt er meer bij kijken. 

“Het is echt fysiek werk. Duwen, draaien en vaak ook onder tijdsdruk. Het maken van echo’s gaat aan de lopende band.” En met steeds meer verschillende patiënten zien ze in de echokamer ook steeds meer uitdagingen. Zoals het maken van een echo bij een patiënt met een hoge BMI, legt Stevens uit. 

“Geluidsgolven worden door vetweefsel anders weerkaatst waardoor er meer ruis op de echobeelden te zien is. Dat maakt het snel vinden van een juiste locatie lastiger, maar ook de uiteindelijke beelden zijn veel minder duidelijk.”

Eerst een kort lesje echografie. Met een speciaal apparaat, de transducer, worden hoogfrequente geluidsgolven het lichaam ingestuurd. Deze geluidsgolven kaatsen terug op organen en weefsels. 

Vervolgens vangt de transducer de weerkaatsingen op en zet ze om in een elektrisch signaal. De verschillende gemeten signalen verwerkt het systeem uiteindelijk tot een zichtbaar echobeeld op een scherm.

Verbindende factor

“Een echo maken lijkt simpel. Maar er zijn veel stappen nodig voordat je het uiteindelijke beeld ziet. En die stappen worden tot nu toe los van elkaar onderzocht en verbeterd. In onze vakgroep Signal Processing Systems kiezen we voor een heel nieuwe benadering.”

“Daarbij kijken we hoe we die losse componenten elkaar kunnen laten informeren en beïnvloeden. Met slimme algoritmes rekenen we de verstorende ruis weg, wat moet leiden tot betrouwbaardere echobeelden.” 

Een ideaal project voor ‘verbinder’ Stevens, die graag mensen en informatie bij elkaar brengt en wars is van ‘eilandjes’. Zo kreeg hij bij de start van zijn promotietraject ook al de schakende TU/e-gemeenschap bij elkaar, als mede-oprichter van studentenschaakvereniging Noesis. 

“Ik krijg veel energie van ‘samen’. In een onderzoekssetting kan dat een verfrissende blik geven, die heb je nodig voor out-of-the-box innovaties.” 

Zelfdenkend echoapparaat

De laatste jaren zijn er op dit vlak grote stappen gezet door de onderzoeksgroep van Ruud van Sloun, een van zijn promotoren. Volgens Stevens zijn ze nu dicht bij een eerste concept van cognitive ultrasound. Daarbij bepaalt een echoapparaat zelf, aan de hand van slimme algoritmes, welke metingen gedaan moeten worden. Geluidsgolven gaan zo naar de plek met de meest interessante informatie.  

Een doorbraak in de medische beeldverwerking, benadrukt Stevens enthousiast. “ Om dat voor elkaar te krijgen werken we met zogeheten deep generative models. Dat is een vorm van kunstmatige intelligentie die met diepe neurale netwerken de structuur van data leert en op basis daarvan nieuwe inhoud kan creëren.”

“Net zoals ChatGPT op basis van patronen in grote datasets voorspelt welk woord volgt, kunnen deze modellen voorspellen welke echosignalen het meest waarschijnlijk zijn en daarmee ruis onderdrukken of ontbrekende informatie herstellen.” 

Dynamiek

Om zijn modellen te trainen, gebruikte hij specifieke echodata van samenwerkingspartner Philips Research. De focus lag op hart-echografie; vanwege de uitdaging omdat het hart heel dynamisch is, maar ook omdat er veel mensen met hart- en vaataandoeningen zijn. Maar, benadrukt Stevens, ook andere echografie kan van deze technologie profiteren.

Stevens bladert in zijn proefschrift en toont verschillende echobeelden van een hart. “Met dit nieuwe model zien we een duidelijke kwaliteitsverbetering van de echobeelden. Ook voor complexere echografie, zoals bij het groeiende aantal obese patiënten.”

Investeren in coderen

Zijn onderzoek is erg technisch, zegt Stevens. Maar tegelijkertijd wil hij ook graag de weg plaveien voor daadwerkelijke toepassing in de kliniek. Voor innovatieve versnelling bouwde Stevens daarom een nieuw open-source softwareplatform, zea

“Om me heen vond ik veel expertise, maar allemaal losse stukjes. Nu heb ik alle ingrediënten die je nodig hebt voor slimme echografie samengebracht: modellen die we hebben getraind, tools om zelf modellen te trainen op echo, maar ook de methodes om te bepalen wat je het beste kan meten om het volgende beeld te maken.”

Zo’n platform ontwikkelen is een behoorlijke investering, wil de EE-promovendus nog kwijt. “Op de universiteit beoordelen ze je op het aantal papers dat je publiceert. Een code of platform dat je maakt wordt gezien als een bijproduct. Terwijl dat ook heel belangrijk is, het scheelt iedereen veel kostbare tijd als je na het lezen van een paper meteen aan de slag kunt. Gelukkig komt daar steeds meer waardering voor.”

Smartphone-echografie

Voor zea schreef Stevens niet in de gebruikelijk programmeertaal binnen de echografiecommunity, maar gebruikte hij state-of-the-art machine learning-code in Python. Het grote voordeel hiervan is volgens hem dat nieuwe technologische ontwikkelingen uit de wereld van de computer science direct kunnen worden toegepast bij het verzamelen en verwerken van echosignalen. 

Zo wordt meteen zichtbaar wat het effect is op de beeldkwaliteit, legt Stevens uit. En dat brengt draagbare echoapparatuur, waarmee je met je smartphone betrouwbare echo’s kunt maken, een stap dichter bij de kwaliteit van een volwaardige ziekenhuisscanner. Hij somt nog enkele voorbeelden op. “Scherpere echobeelden in de ambulance, ook voor patiënten met een stevig overgewicht. Of betere zwangerschapsecho’s in landen met een beperkte gezondheidszorg.”

“Een mooi stukje nalatenschap”, glimlacht hij. “We hebben laten zien dat deep generative modeling een krachtige tool is die veelbelovend lijkt voor succesvolle toepassing in echografie, ook voor de ruwe data. Veel collega’s maken al gebruik van het nieuwe platform. Een klein bouwsteentje om de echografie van de toekomst slimmer te maken.” 

PhD in the Picture

Wat zien we op je proefschriftkaft?
“Twee echogolven, de een gewild, de ander niet. Ze interfereren met elkaar, wat een mooi complex patroon geeft. Bij ieder hoofdstuk wordt dat patroon complexer, voor ons een uitdaging om daar het goede uit te halen. Best poëtisch, toch? Ik heb er een gedicht over geschreven, als afsluiter op de laatste pagina van mijn boekje.”

Je bent op een verjaardagsfeestje. Hoe leg je in één zin uit wat je onderzoekt?
“Ik probeer de beelden van medische echo’s beter te maken. Mensen hebben er al snel een idee van, zwangerschapsecho’s kent iedereen.”

Hoe blaas je naast je onderzoek stoom af?
“Op de gitaar! Ik maak het liefst samen muziek, bijvoorbeeld met mijn bandje Jazzal. Verder een potje schaak op zijn tijd, of bij beter weer buiten klimmen.”

Welke tip had je als beginnende PhD-kandidaat willen krijgen?
“Wees in de eerste jaren niet bang om buiten de lijntjes te kleuren. Werk veel samen, onderneem veel. Zo deed ik aan het begin van mijn promotietraject mee aan een conferentie-challenge en hebben we met microbubbeltjes een prijswinnend echobeeld van het vatenstelsel in een rattenbrein gemaakt. Dat ‘uitstapje’ heeft mij zeker kansen gegeven die mijn hoofdroute hebben versterkt.”

Wat is je volgende hoofdstuk?
“Ik blijf in dezelfde vakgroep, nu als postdoc. Wel op een totaal ander project, waarin ik bewust de industriële samenwerking heb opgezocht. Met ASML ga ik deep learning modeling toepassen op signaalverwerkingsproblemen binnen de semiconductorproductie. Nog steeds golven, maar nu licht in plaats van geluid.”

Deel dit artikel