由于人们躺下后无法保持完全静止的状态，基于MRI（核磁共振）或CT扫描的操作变得更加难以处理。准博士生科恩·埃彭霍夫（Koen Eppenhof）已证明，基于深度学习的算法可用于纠正不可避免的动作。

为了尽可能准确地进行放射治疗或手术，医生首先将待治疗区域绘制到扫描图（MRI或CT）上。此区域为肿瘤的位置, 然后用新的扫描定位在手术台上。这绝非易事：两次扫描中患者的位置永远不会完全相同，然后由于呼吸，器官不可避免地发生移动和变形。针对这些困难，出现了一个完整的专业——医学图像配准，这是生物医学工程系医学图像分析小组工作的一个方面。

医学图像分析的博士候选人Koen Eppenhof说，医生们已经有了智能软件，能够将扫描仪中的人与早期制作并仔细分析的图像进行匹配。“然而，计算机运行计算需要几分钟，而理想情况下，您希望能够实时匹配两次扫描。”

当埃潘霍夫（Eppenhof）在不到5年前开始了他的博士研究时，深度学习的原理才刚刚起步；这是一种能够更快地完成这项任务的人工智能。这位博士生认为, 这项技术似乎已经实现了它的希望。“最初，在会议上，我是少数几个致力于深度学习的人之一，而现在几乎所有医学图像分析领域的人都在使用它。”

埃潘霍夫（Eppenhof）解释说，挑战在于将原始图像中的每个像素与新扫描中的相应像素耦合起来。为此，他“训练”了一种所谓的深度神经网络，该网络运行于图形处理单元（GPU），与游戏计算机中的处理器类似。“我们的团队将这些GPU集群保存在高科技园区的一个冷却室中，我们可以登录它们。”

这种GPU的神经网络能通过引用成千上万的例子来自学如何完成任务。但培训材料短缺。以肺部照片为例：不同呼吸阶段肺部的“配准”图像太少。因此，埃潘霍夫（Eppenhof）决定以无数种不同的方式操纵一个现存的图像，并利用这个来训练神经网络。“接下来，我将经过训练的网络放到一组几十个真实的CT扫描上，由多个专家根据数百个公认的解剖标志（例如血管分裂或交叉的位置）进行记录。”

事实证明，埃潘霍夫（Eppenhof）的训练网络表现几乎和个别专家一样出色。“由此可以看出，你可以利用模拟数据而非真实医学图像来训练深度神经网络。事实上，它运行得非常好，我认为这是我研究的最重要的结果。他的神经网络还证明，它能够在不到一秒钟的时间内分析图像，这与目前医院使用的计算方法所需的分钟数相比，有明显的改善。

这使他的工作引起UMC Utrecht（荷兰最大的大学医疗中心之一）的兴趣，那里的前列腺癌患者目前正接受核磁共振扫描仪的辐射。这有助于医生在进行治疗之前立即确定前列腺的确切位置。“事实上，前列腺在辐射时动作也很慢；当膀胱充满尿液时，它被推到一边。原理上，我的方法能足够快地追踪这个运动。”

他的深度学习理论能否在不久的将来进入医院还存在争议。这是因为尚不清楚该神经网络如何精确地工作，这是许多AI应用程序都在努力解决的问题。埃潘霍夫（Eppenhof ）解释说，这是一个黑匣子，这妨碍了负责安全事务的权威当局对它的评估。"无论如何，绝不允许这种技术完全自动运行。必须始终有人监视，以确保计算机不会破坏整个系统。"