​​Skärmdump från egenhackat visualiseringsprogram för kranskärl. De gröna och lilla konturerna är inner och yttervägg hos kranskärlet  och helst av allt vill jag lära datorn hitta dessa automatiskt. Man kan också se ett antal plack, det är dom ljusa “blobbarna” nära kärlets yttervägg. Egentligen är inte kranskärlen alls så här raka utan kringlar sig runt hjärtat.​​​
​​Bild: Jennifer Alvén, doktorand på Signaler och system.

Att hitta en nål i en höstack

Det finns trender i allt. Kläder, inredning, livsstil och åsikter. Och inte minst inom forskning. De senaste åren har deep learning varit ett hett ämne inom datavetenskap och bland de medicinska forskare jag träffar verkar var och varannan grupp vilja korrelera mängden fettvävnad till olika välfärdssjukdomar. Därmed skulle jag vilja påstå att jag är lite av ett modelejon – min forskning syftar ju faktiskt till att applicera just den typen av maskininlärningsalgoritmer på medicinska bilder, ofta för att kunna kvantifiera fettvävnad i till exempel hjärta, kranskärl och ben.
Deep learning är en samling algoritmer inom maskininlärning som diskuterats i många decennier (tidigare ofta under namnet “neurala nätverk”) men som revolutionerats de senare åren tack vare bättre datorkraft i form av moderna beräkningsgrafikkort. Google och Facebook är två kända exempel på hur resultaten av deep learning dagligen nyttjas av miljontals användare, och kanske har företag som dessa spätt på hypen ytterligare. För den intresserade så rekommenderar jag den här videon, den dök upp i mina sociala flöden häromdagen och även den oinsatta har nog behållning av åtminstone de första 5-20 minuterna. 

Är man intresserad av datorseende och bildanalys är det inte helt lätt att undvika att dras med i den kollektiva förtjusningen. Problemet är väl dock att ju populärare någonting är desto svårare är det för den enskilda forskaren att göra någon större inverkan på fältet, man känner sig lätt som en liten droppe i en gigantisk ocean. Trots detta har jag ändå valt att satsa något eller några år av min doktorandtid på att åtminstone bekanta mig med fältet, inte minst för att jag tror och hoppas att deep learning är en trend om kommer bestå i många år till. Man får helt enkelt göra vad man kan för att sticka ut lite  kanske en annorlunda formulering än standardmodellerna eller en tillämpning ingen testat än?

Så vad vill jag göra med hjälp av denna trendiga samling algoritmer? Just nu arbetar jag på ett projekt sprunget ur Scapissamarbetet som fokuserar på kranskärl. Målet är att lära datorn att dels linjera ut kranskärl men också att hitta och bestämma sjuklighetsgraden på plack (= ansamling av fett och/eller kalk). Inte helt lätt, ibland ser jag knappt själv vart kärlväggen slutar och vad som är plack eller ej. Och någonstans där finns också begränsingen för vad en dator kan åstadkomma: ser jag inte själv strukturerna jag vill lokalisera så lär inte en dator heller kunna lära sig det. Det positiva med den här tillämpningen är att ingen verkar ha tacklat kranskärlsanalys med maskininlärningsnätverk tidigare. Vart det leder vet ingen, projektet är i sin vagga, men kanske är det också det som är charmen med forskning  man vet aldrig vilken stor upptäckt (eller vilket frustrerande antiklimax för den delen) som väntar kring nästa hörn.

Nu dags för ny arbetsvecka, hörs i dagarna!

Text: Jennifer Alvén, doktorand på Signaler och system.

Publicerad: må 10 okt 2016.