Achtergrond

Een lerend algoritme voor de detectie van vroege slokdarmkanker

Fons van der Sommen werkt als promotieonderzoeker aan het detectiesysteem voor Barret-slokdarmkanker. Hij wordt begeleid door universitair docent Sveta Zinger. Peter de With is hoogleraar van de VCA-vakgroep. Erik Schoon is als maag-darm-leverspecialist in het Catharinaziekenhuis Eindhoven betrokken bij het onderzoek.

Reading time: 8 minutes

De meest voorkomende vorm van slokdarmkanker is in de westerse wereld al in een vroeg stadium te onderscheiden op endoscopische beelden. Het probleem is dan nog goed te behandelen, maar helaas is er veel ervaring nodig om de kanker te identificeren. De TU Eindhoven ontwikkelde samen met het Catharinaziekenhuis een beeldverwerkingssysteem dat hierbij kan helpen.

Ongeveer vijf jaar geleden benaderde maag-darm-leverarts Erik Schoon van het Catharinaziekenhuis in Eindhoven de Technische Universiteit Eindhoven met een simpele vraag: ‘Als mijn nieuwe Iphone gezichten kan detecteren, zou mijn endoscopiesysteem dan ook vroege kanker kunnen opsporen?’ Deze vraag belandde bij de Video Coding and Architectures-onderzoeksgroep (VCA) van professor Peter de With, waar veel kennis aanwezig was over de automatische analyse van beelden. Toen enkele verkennende experimenten veelbelovende resultaten opleverden, werd besloten een promotieonderzoek te definiëren. Na ongeveer vier jaar van onderzoek en experimenten blijkt dat dit inderdaad mogelijk is.

Slokdarmkanker kent grofweg twee vormen: het plaveiselcelcarcinoom, dat zich ontwikkelt in de normale celbekleding van de slokdarm, en het adenocarcinoom. In de westerse wereld komt de laatste vorm veruit het meest voor. Deze treedt namelijk specifiek op bij patiënten met een zogeheten Barrett-slokdarm, die gecorreleerd is met een ongezonde levensstijl en overgewicht.

This article is exclusively available to premium members of Bits&Chips. Already a premium member? Please log in. Not yet a premium member? Become one for just €20 for the first year and enjoy all the benefits.

Login

Related content