STW.nl

U bent hier

Valerio Fortunati kandidaat Simon Stevin Gezel 2016

Valerio Fortunati is verkozen tot Simon Stevin Gezel 2016. Hij werkt aan een methode om CT-scans te combineren met MRI-scans. Die combinatie levert een nauwkeurig driedimensionaal beeld op, dat uitkomst kan bieden bij de behandeling van tumoren in het hoofd en de nek.
 
Valerio Fortunati (geboren in Rome, 1983) studeerde na zijn middelbare school elektrotechniek aan de universiteit van Rome. Hij onderzocht tijdens zijn bachelor of mensen bij het zetten van een handtekening zulke individuele bewegingen maken, dat deze een biometrisch alternatief kunnen zijn voor wachtwoorden. Om dat te onderzoeken was veel dynamische beeldherkenning nodig, een onderwerp waar Fortunati aan de Rijksuniversiteit Groningen zijn master over schreef. 
 
In 2011 begon hij bij de Imaging Group aan de Erasmus Universiteit Rotterdam met een project waarbij hij opnamen van computertomografie (CT-scan) zou combineren met beelden uit de kernspintomografie (MRI-scanner). De opnames waren afkomstig van patiënten met kanker in het hoofd en de nek. Deze patiënten worden behandeld door de tumoren te verwarmen. Om dat goed te kunnen doen, is een zo nauwkeurig mogelijk driedimensionaal model van de patiënt nodig. 
 
Matchen
Het ‘matchen’ van CT-scans en MRI-scans is echter geen eenvoudige klus. Beide scanmethoden brengen weefsel en bot in beeld met een nauwkeurigheid van een paar millimeter. Maar ze doen dat verschillend, zodat de afbeeldingen zich kwalitatief sterk van elkaar onderscheiden. Een CT-scan is het beste voor het afbeelden van bot en longweefsel. MRI-scans zijn meer geschikt voor het laten zien van zacht weefsel in bijvoorbeeld gewrichtsbanden en pezen, of voor hersentumoren. 
 
Hoe zorg je ervoor dat je de afbeeldingen zodanig met elkaar kunt combineren dat je het beste uit beide opnames krijgt? Fortunati: ‘De foto’s zijn zo verschillend, dat het in ieder geval niet mogelijk is om punt-voor-punt een match te krijgen. Soms zit de tumor in het midden, soms aan de rand. Soms heb je veel contrast, dan weer weinig. Soms is niet alles scherp, want in een ziekenhuis moet het vaak snel gaan. Soms hebben mensen mutaties, aangeboren dan wel door ziekte veroorzaakt. Je hebt te maken met weefseldeformaties, bijvoorbeeld een klier die in grootte varieert. Soms missen patiënten zelfs hele organen of weefselgroepen door operaties. Dat maakt het heel lastig om als het ware ‘visuele bakens’ in een afbeelding te vinden.’ Na een jaar analyseren van de beschikbare afbeeldingen leek de nek van de patiënt de enige constante in alle afbeeldingen te zijn.
 
Vlot programmeerwerk
Tijdens het tweede jaar van zijn promotie ontwikkelde Fortunati statistische algoritmes die ook bij grote variaties in de afbeeldingen patronen kunnen herkennen. Het programmeerwerk ging vlot, ook omdat er bestaande algoritmes van de vakgroep kon worden gebruikt, en een beeldherkenningsalgoritme dat in andere vakgebieden al met veel succes was toegepast. 
 
Veel energie ging zitten in de validering van de methode: hoe bewijs je dat de computer de weefsels goed kan classificeren, ook als er grote onzekerheidsmarges zijn? Fortunati: ‘Vooral methodologisch zitten daar enkele doorbraken bij, waarbij ik veel heb samengewerkt met een andere promovendus hier.’
 
Levendige discussies
In het derde jaar schreven Fortunatie en collega's een belangrijke artikel over de gekozen methode. Om die methode te valideren, werden in de CT- en MRI-afbeeldingen door klinische specialisten met de hand markeringspunten gezocht. Fortunati: ‘We proberen met statistische methoden de weefsels te classificeren en uit te lijnen. Daarbij spelen de overeenkomst in de vorm, intensiteit, de locatie en andere parameters een rol. De botten geven daarbij een goede eerste oriëntatie.”
 
Het uitlijnen van zacht weefsel bleek de echte uitdaging. Forntunati onderzocht of bloedvaten een oriëntatie in de afbeeldingen kunnen leveren, maar tussen patiënten bleken de bloedvatenstelsels in de hoofd-nek-regio te verschillend te zijn. ‘Ik had dagelijks levendige discussies met een specialist’, zegt Fortunati. ‘Telkens was de vraag: hebben we hier een weefselgroep die als baken kan dienen of niet?’
 
Optische bakens
Uiteindelijk werden zo’n twintig optische bakens met de hand geselecteerd: botten, organen of weefsels die bij iedere patiënt op een herkenbare plek zitten. Daarmee ging Fortunati zijn statistische algoritmes ontwikkelen en verbeteren. Uiteindelijk lukte het om binnen een paar millimeter de afbeeldingen met elkaar te matchen.
 
Tijdens het vierde jaar van het promotietraject optimaliseerde Fortunati de methode nog verder. Het kwam echter niet meer tot een applicatie die bruikbaar is in een klinische omgeving. Fortunati: ‘Ik had graag nog een paar maanden de tijd gehad om dat te maken.’
 
Inmiddels werkt de onderzoeker bij een biomedische start-up die precies de vertaalslag maakt van beeldverwerkende algoritmes naar klinische applicaties. ‘Het programmeren hier is meer gestructureerd’, aldus Fortunati.’ Je moet kunnen bewijzen dat je software voor klinische applicaties geschikt is. Dat betekent dat het volgens allerlei voorschriften gedocumenteerd moet zijn. De code die je schrijft, moet niet alleen efficiënt zijn maar ook goed leesbaar, zodat het goed onderhouden kan worden.’
 
Simon Stevin Gezel 2016
Fortunati won de titel Simon Stevin Gezel 2016 tijdens het jaarcongres van STW. De overige kandidaten waren Muharrem Bayraktar en Suleyman Naqshband.