Onderzoekers van onder meer BIFOLD en de Technische Universiteit Berlijn hebben een nieuw open-source softwareplatform gepresenteerd dat de verwerking van optische hersenscans vereenvoudigt. Het framework, genaamd Cedalion, bundelt verschillende gefragmenteerde hulpmiddelen voor optische beeldvormingstechnieken in één Python-omgeving. De ontwikkeling, waarover is gepubliceerd in het tijdschrift Neurophotonics, moet het eenvoudiger maken om hersenactiviteit te analyseren buiten de traditionele laboratoriumsetting.
- Cedalion brengt gefragmenteerde analyse-instrumenten voor optische hersenscans samen in één Python-framework.
- De software bouwt voort op bestaande MATLAB-tools van Boston University en integreert direct met hulpmiddelen voor machineleren.
- Het platform ondersteunt open datastandaarden zoals SNIRF en BIDS om de reproduceerbaarheid van onderzoek te vergroten.
Eén centrale omgeving vervangt versnipperde software
Optische beeldvorming van de hersenen maakt gebruik van licht om veranderingen in de bloeddoorstroming van de hersenschors te meten. De bekendste methode hiervoor is functionele nabij-infraroodspectroscopie (fNIRS). Anders dan bij klassieke MRI-scans is de apparatuur voor fNIRS draagbaar, waardoor metingen ook mogelijk zijn wanneer een proefpersoon beweegt. Diffuse optische tomografie (DOT) breidt dit principe uit met nauwkeurigere ruimtelijke informatie en diepte-informatie. Vaak worden deze optische methoden gecombineerd met elektro-encefalografie (EEG) of fysiologische sensoren om een completer beeld van het brein te krijgen.
Tot nu toe moesten wetenschappers die dergelijke complexe datasets analyseerden, softwareprogramma’s uit verschillende ontwikkelomgevingen aan elkaar knopen. Cedalion brengt de volledige analyseketen onder in één programmeertaal. Het pakket omvat onder meer de simulatie van lichtvoortplanting door weefsel, het schatten van optodeposities op het hoofd, signaalkwaliteitscontrole, artefactcorrectie en de statistische modellering van tijdreeksen.
Door de volledige analyseketen in één Python-omgeving te bundelen, vervalt de noodzaak om losse softwarepakketten handmatig met elkaar te verbinden.
Machineleren en betere reproduceerbaarheid versnellen onderzoek
Het samenbrengen van klassieke analysemethoden vormt volgens de onderzoekers een belangrijke basis voor geavanceerde gegevensverwerking. Klassieke methoden gebruiken natuurkundige en fysiologische kennis om ruwe lichtmetingen om te zetten in bruikbare grootheden. Deze opgeschoonde representaties vormen vervolgens een beter vertrekpunt voor algoritmen voor machineleren die patronen uit de data kunnen herkennen.
Dit opent mogelijkheden voor toepassingen in de neurologie, psychologie en bij het ontwikkelen van brein-computerinterfaces. Denk hierbij aan het monitoren van patiënten aan het ziekenhuisbed of het volgen van cognitieve en motorische taken tijdens fysiotherapie met draagbare sensoren. Volgens eerste auteur Eike Middell geeft Cedalion onderzoekers de middelen om schone en betekenisvolle representaties uit hun data te halen, wat essentieel is voor het goed functioneren van machinaal leren.
Het framework is gebaseerd op de veelgebruikte MATLAB-tools Homer2/3 en AtlasViewer van Boston University, waardoor decennia aan methodologische ervaring behouden blijft.
Om de drempel voor onderzoekers zo laag mogelijk te houden, bevat de publicatie zeven praktische Jupyter-notebooks die in de cloud kunnen draaien zonder lokale installatie. Daarnaast ondersteunt het systeem open standaarden zoals SNIRF en BIDS, wat het delen van herbruikbare analyses bij wetenschappelijke publicaties vergemakkelijkt.
Toekomstige uitdagingen en verdere ontwikkeling door de gemeenschap
Ondanks de voordelen wijzen de makers ook op enkele beperkingen. Zo vragen specifieke functies, zoals de simulatie van fotonen en het trainen van complexe modellen, veel rekenkracht. Dit wordt opgevangen door ondersteuning voor zowel CPU- als GPU-berekeningen en het gebruik van cloudomgevingen. Daarnaast blijft de methodologische correctheid bij het toepassen van machineleren de verantwoordelijkheid van de individuele onderzoeker.
In de toekomst hopen de onderzoekers, onder leiding van Alexander von Lühmann (hoofd van de onderzoeksgroep ‘Intelligent Biomedical Sensing’ bij BIFOLD en TU Berlin), dat Cedalion verder groeit door bijdragen uit de wetenschappelijke gemeenschap. Belangrijke vervolgstappen zijn het vereenvoudigen van de workflow-configuratie, een diepere integratie van machinaal leren en het systematisch vergelijken van analysepijplijnen op gestandaardiseerde datasets.
Zie jij kansen voor open-source software om medisch en neurowetenschappelijk onderzoek sneller toegankelijk te maken? Deel jouw inzicht in de reacties hieronder.
