Avdeling

SAMBA

Involverte Fagfelt:

Bildeanalyse

Involverte Bransjer:

Helse

Vi lager metoder som skal gjenkjenne sykdom med hjelp av legers analyse av ultralydbilder etter skanning av hjerter.

Undersøkelsene av hjertet gjøres ved å plassere en ultralydprobe på brystet som pekes inn mot hjertet. Lydpulser fra proben reflekteres fra strukturer i hjertet, og det reflekterte signalet gir dermed en avbildning av hjertet. Fra avbildningen kan legene se på egenskaper ved ulike deler av hjertet slik som avstander mellom ulike strukturer, klaffefunksjon, hjertekammerveggens bevegelsesmønster og blodgjennomstrømming. Hensikten med slike undersøkelser er å kunne studere hjertets struktur og funksjon for å diagnostisere hjertesykdom.

Ved gjennomføringen av en slik ultralydundersøkelse har en god del av legenes tid gått med til å gjøre nødvendige justeringer og målinger, mens ned mot halvparten av tiden har vært relatert til diagnostisering. Kardiologene har derfor ønsket seg forenkling og automatisering av disse prosessene.

Nettverk for prediksjon av målepunkter fra ultralydbilder av hjertet (øverst). Eksempler på manuelt valgte punkter og predikerte punkter for noen ulike bilder (nederst). Illustrasjon hentet fra: Gilbert, A., Holden, M., Eikvil, L., Aase, S. A., Samset, E., & McLeod, K. (2019). Automated left ventricle dimension measurement in 2D cardiac ultrasound via an anatomically meaningful CNN approach. In Smart Ultrasound Imaging and Perinatal, Preterm and Paediatric Image Analysis (pp. 29-37). Springer, Cham

Dype nevrale nettverk

Sammen med Vingmed og UiO har NR jobbet med utvikling av ulike metoder og verktøy basert på maskinlæring som skal bidra til dette. Metodene som utvikles er basert på dype nevrale nettverk og lærer å gjenkjenne objekter og fenomener fra legenes annotering av ultralydbildene.

Det er samtidig flere utfordringer knyttet til gjenkjenningen som krever smarte løsninger. Ultralydbildene er støyfylte og diffuse og krever ekspertise for korrekt analyse. Denne analysen er samtidig tidkrevende, og det kan være vanskelig å få nok treningsdata for maskinlæringen. Det er også behov for relativt raske og kompakte algoritmer som kan implementeres på en ultralydsskanner og gi raske svar. 

Gjennom det NFR-støttede prosjektet INCUS (2016-2019) har NR sammen med Vingmed utviklet metoder for automatisk gjenkjenning av synsvinkel inn mot hjertet, for automatisk valg av ønsket type Doppler-målinger og for automatiske målinger av avstander i ultralydbildene. Flere av løsningene er integrert i skanneren. Dette samarbeidet om utvikling av nye metoder for mer intelligente ultralydsskannere fortsetter nå gjennom IPN-prosjektet EchoAI (2020-2023) og gjennom Visual Intelligence (2020-2028), senter for forskningsdrevet innovasjon innen AI for komplekse bildedata. 

Navn: INCUS, EchoAI

Partner/kunde: GE Vingmed Ultrasound

Periode: 2016-2019, 2020-2023

Finansiering: GE Vingmed Ultrasound og Forskningsrådet