Als er iemand is die in zijn carrière computers heeft zien ontwikkelen van ponskaart naar petabyte, dan is het Marcel Breeuwer wel. De eerste computer waar hij aan werkte had het formaat van een flink dressoir. Nu werkt hij bij Philips onder meer aan de ontwikkeling van digitale neurale netwerken. Die lijken qua structuur op het menselijk brein en hebben een enorme potentie om artsen te assisteren bij het herkennen van ziektebeelden.

En het opvallende is: de meest recente doorbraak in dat vakgebied hebben we deels te danken aan computergames.

Het begon met knutselen aan FM-zenders

Toen hij een jaar of 17 was, was Marcel al verknocht aan elektronica: “Het was de tijd van de analoge buizenzenders, ik knutselde graag aan mijn eigen FM-zenders. Toen het moment daar was om een studiekeuze te maken, twijfelde ik tussen verschillende richtingen: biologie, geneeskunde en elektrotechniek. Het is mooi om nu terug te kijken en te zien dat ik me in mijn werk met al deze vakgebieden heb beziggehouden.”

Het werd uiteindelijk toch elektrotechniek aan de TU Delft. Na zijn kandidaatsexamen werd Marcel gegrepen door opnieuw een ander vakgebied, dat op dat moment enorm in opkomst was vanwege de introductie van de eerste digitale computers: “Informatietheorie houdt zich bezig met de vraag wat informatie is, hoe je deze kwantificeert en beschrijft. We werkten destijds met computers die soms zo groot waren als een dressoir. Ik heb in die tijd mijn eerste programmeerervaring opgedaan en gewerkt aan het ontwikkelen van algoritmes.”

Eerst promoveren, dan naar Philips

Na zijn afstudeeronderzoek lonkten zowel een baan bij Philips als een PhD-positie bij de Vrije Universiteit van Amsterdam. “Gelukkig vonden ze het bij Philips een prima idee dat ik eerst zou promoveren, omdat ze wetenschappers goed konden gebruiken.”

“Na mijn promotieonderzoek kwam ik terecht bij de onderzoeksafdeling die zich bezighield met digital signal processing. In die tijd werden de eerste analoge signalen gedigitaliseerd, waaronder die van video. Als je beeld en geluid digitaliseert, levert dat veel bits aan informatie op. Het was mijn taak om die data te comprimeren, bijvoorbeeld door alle geluidssignalen eruit te filteren die je als ontvanger toch niet hoort.”

Die kennis kwam weer goed van pas bij een volgend project: de compressie van data van röntgenbeelden. Ook daar was sprake van digitalisering, met bijbehorende uitdagingen op het gebied van data.

“De eerste digitale röntgenfoto’s waren 256 bij 256 pixels. Dat groeide naar 512, 1024 en ga zo maar door. Ook konden röntgenapparaten steeds meer beelden per seconde genereren. De scans leverden meer data op dan we konden versturen van het ene apparaat naar het andere, dus daar moest een compressie-algoritme voor komen.

Dit was eigenlijk mijn eerste stap in de wereld van de medische beeldvorming binnen Philips. In de loop der jaren heb ik aan veel projecten gewerkt; van 3D-beelden die MRI en CT combineren voor de planning van neurochirurgie tot cardiovasculaire applicaties waarmee cardiologen met behulp van MRI op verschillende manieren naar het hart kunnen kijken en de hartfunctie kunnen beoordelen.”

Bruggen bouwen tussen klinische praktijk en R&D

Alle ervaring die Marcel daar opdeed, kan hij perfect kwijt in zijn huidige rol als Principal Scientist. “Je zou kunnen zeggen dat ik op verschillende plekken als bruggenbouwer heb gewerkt. Aan de ene kant probeer ik een verbinding te maken tussen beeldanalyse research en R&D, zodat wetenschappelijk onderzoek naar mogelijke nieuwe oplossingen ook hun weg naar de volgende fase van productontwikkeling vinden.

Daarnaast houd ik me bezig met Clinical Science, en dat is een brug slaan tussen de klinische praktijk enerzijds en ons onderzoek en productontwikkeling anderzijds. Zodat we weten wat artsen écht nodig hebben en op basis daarvan nieuwe oplossingen ontwikkelen.”

Sinds 2009 werkt hij daarnaast ook nog eens als deeltijdhoogleraar bij de TU/e. “Ik werkte al veel met de universiteit samen aan onderzoeksprojecten. Nu begeleid ik daar PhD’s en master-studenten tijdens hun onderzoeksprojecten en geef ik colleges over hoe je beeldanalyse algoritmes kunt valideren.”

Science fiction

De projecten waar Marcel nu binnen Philips en TU/e aan werkt, spreken zo tot de verbeelding dat ze haast uit een science fiction-film lijken te komen. Zoals Neuro MRI: met behulp van MRI-scans wordt onderzoek gedaan naar psychiatrische aandoeningen. “De behandeling van chronische depressie is heel moeilijk”, legt Marcel uit. “We onderzoeken nu of je met MRI-technologie bepaalde dingen in het brein kunt meten die helpen bij een psychiatrische behandeling. Zo kun je met functionele MRI een opname maken van het brein en zien welke plekken van het brein actief zijn. Het is nog een relatief nieuw vakgebied, maar de verwachting is wel dat dit de psychiatrie kan helpen.”

Het project is onderdeel van e/MTIC, waarin Philips en TU/e samenwerken aan klinische innovaties met ziekenhuizen in de regio Eindhoven; in dit geval is Kempenhaeghe nauw betrokken bij het onderzoek.

Een ander focusgebied van Marcel is kunstmatige neurale netwerken: “Dat idee bestaat al langer, dat je met een computersysteem een netwerk nabouwt dat lijkt op hoe ons brein werkt. De afgelopen tien jaar is dat vakgebied ineens in een stroomversnelling terecht gekomen. Dat komt vooral doordat we nu de beschikking hebben over de juiste grafische processoren die nodig zijn om beelden te verwerken. Wat blijkt namelijk: grafische kaarten die tot voor kort vooral werden gebruikt voor computergames, zijn ook heel erg geschikt om neurale netwerken mee te bouwen en te trainen.

Nadat je een neuraal netwerk hebt gebouwd, moet je het gaan trainen. Eigenlijk wil je leren hoe je een brein nadoet. We trainen bijvoorbeeld een neuraal netwerk om zelf een hart te herkennen in een plaatje. Dat is een kwestie van heel veel plaatjes aanbieden waarvan het netwerk kan leren.”

Het probleem: er zijn niet genoeg plaatjes. “In elk onderzoek naar de toepassing van machine learning in gezondheidszorg loop je tegen hetzelfde probleem aan. We hebben enorm veel data nodig om modellen te trainen, maar die zijn moeilijk te verkrijgen.”

Generator vs. Discriminator

De oplossing van dat probleem klinkt helemaal als science fiction: “We kunnen neurale netwerken ook zelf plaatjes laten genereren. Dus het ene systeem verzint MRI-beelden van het hart die je niet kunt onderscheiden van echte MRI-beelden. Dat noemen we de generator. Het andere systeem, de discriminator, moet beoordelen of deze voldoende echt zijn of niet. Het is een soort spelletje waarin twee systemen van elkaar leren en beide steeds beter worden. De beelden die worden gegenereerd zijn zo goed, dat artsen ze nauwelijks meer van echt kunnen onderscheiden.” Het TU/e-project, Open Ground Training Network geheten, wordt zelfs gesubsidieerd door de Europese Unie.

Links (in kleur): een MRI-scan van hersenen, die is gebruikt als input voor een neuraal netwerk voor het het genereren van nieuwe beelden (met in rood/oranje een tumor). Rechts (in zwart-wit): vier verschillende typen gesynthetiseerde, maar erg realistische, MRI-beelden.

Hoe zou de jonge Marcel, die werkte aan een computer zo groot als een dressoir, daar over denken? “Ik was altijd een beetje sceptisch over neurale netwerken, maar nu merk ik wat voor enorme positieve impact ze kunnen hebben op gezondheidstechnologie. We werken nu ook aan een systeem dat beelden van lage resolutie kan omzetten naar hogere resolutie, dat zijn fantastische projecten. Het is echt een hele opwindende tijd om in gezondheidstechnologie te werken.”

Binnen Philips werken elke dag duizenden uitvinders aan de technologieën van morgen. Wat drijft hen? Hoe komen ze op hun ideeën en hoe brengen ze die met succes op de markt? In de serie Impactful Inventors geven we antwoord op deze vragen.

Lees ook:

Henk van Houten, Chief Technology Officer: “Winnaars Invention Awards zijn de helden van Philips Research”

Mark Johnson, de man van honderden patenten: “Er is geen opleiding tot uitvinder”

“We waren het enige Europese team dat een presentatie mocht geven op een AI-evenement in het Witte Huis”: Anca Bucur heeft een missie om data en AI om te zetten van een belofte naar een daadwerkelijk klinisch voordeel.
 
Mohammed Meftah is hard op weg om met baanbrekend onderzoek de levens van ongeboren, en te vroeg geboren, baby’s te verbeteren: “Uitvinden is zoeken naar relevante problemen en daar nieuwe oplossingen voor vinden die niet voor de hand liggen.”

Denny Mathew wil graag jonge vrouwen inspireren om een carrière in de technologie te overwegen: “Jonge vrouwen kunnen de drijvende kracht achter innovatie zijn met hun aangeboren capaciteiten van probleemoplossende creativiteit en samenwerking.”

"Met een digitale tweeling kunnen we voorspellen hoe een patiënt reageert." Valentina Lavezzo is voortdurend op zoek naar - en bezig met het ontwikkelen van – gebruiksscenario’s voor digitale tweelingen.

If anyone has seen computers evolve from punch card to petabyte over the course of their career, it is Marcel Breeuwer. The first computer he worked on was the size of a large sideboard. At Philips, he now works on the development of digital neural networks, among other things. They are similar in structure to the human brain and have enormous potential to assist doctors in recognizing and identifying diseases.  
 
Interesting fact; we partly owe the most recent breakthrough in this field to computer games.

It all started with tinkering with FM stations

When he was about 17 years old, Marcel already felt an attachment to electronics: "It was the age of analog tube based electronics and I loved to tinker with my own FM transmitters. When the time came to make a choice of university study,, I hesitated between biology, medicine and electrical engineering. It is nice to look back now and see that all these fields have been part of my work."
 
He ended up choosing to study electrical engineering at TU Delft. After his Bachelors exam, another field caught Marcel's attention. One which was booming at that time due to the introduction of the first digital computers. “Information theory investigates what information is, how to quantify it and how describe it. Back then, we were using computers that were sometimes as big as a sideboard. That was when I acquired my first programming experience and worked on developing algorithms."

A PhD first, then on to Philips

After his graduate research, Marcel was faced with a decision between a job at Philips and a PhD position at the Vrije Universiteit Amsterdam. "Fortunately, Philips supported the idea of getting my PhD first, since the company was in real need of scientists."
 
"After my PhD, I ended up in the Philips Research department and became involved in digital signal processing. At that time, the first analog signals were being digitized, including video signals. When you digitize image and sound, it yields a great deal of information. My job was to compress that data, such as by filtering out all the sound signals you cannot hear as a receiver."
 
This knowledge came in handy on a future project: compressing X-ray images. This, too, was about digitization, as well as the associated data challenges.

“The first digital X-rays were 256 by 256 pixels, which then increased to 512, then 1024, and so on. X-ray machines were also able to generate more and more images per second. The scans yielded more data than we could transfer from one device to another, so we had to create a compression algorithm.
 
This was my first step into medical imaging within Philips. Over the years, I have worked on many different projects: from 3D images combining MRI and CT for neurosurgery planning, to cardiovascular applications that allow cardiologists to use MRI to view the heart in different ways and assess cardiac function.”

Building bridges between clinical practice and R&D

All the experiences Marcel has had in the past, put him in the perfect position as Principal Scientist today. "You might say that I have worked as a bridge builder in many different places. On one hand, I try to connect image analysis research and R&D, so that scientific research into potential new solutions can also find its way to the next phase of product development.  
 
On the other hand, I also work in clinical science, which means bridging the gap between clinical practice and our research and product development. This teaches us what doctors truly need so that we can base the development of new solutions on that."

Since 2009, Marcel has also been working as a part-time Professor at TU/e (Eindhoven University of Technology). "I was already working a great deal with the university on research projects. Now I mentor PhD and Master students through their research projects, and I give lectures about how to validate image analysis algorithms."

Science fiction

Marcel is currently working on projects within Philips and TU/e that are so imaginative, they almost seem straight out of a science fiction movie. Like Neuro MRI, which involves using MRI scans to study psychiatric disorders. “Treatment of chronic depression is very difficult. We are currently investigating whether MRI technology can be used to measure certain aspects in the brain that may help with psychiatric treatment. For instance, functional MRI allows you to record the brain and see which parts of the brain are active. It is a relatively new field, but we expect it to support psychiatry."
 
The project falls under the e/MTIC (Eindhoven Medtech Innovation Center), where Philips and TU/e are collaborating on clinical innovations with hospitals in the Eindhoven region. In this case, Kempenhaeghe is closely involved in this research. 

Another field Marcel focuses on is that of artificial neural networks. "The idea of using a computer system to recreate a network similar to how our brain works has been around for some time. Over the past ten years, the pace of developments in this field has suddenly accelerated. This is primarily because we now have the graphics processors needed to process images. As it turns out, graphics cards that until recently, were mainly used for computer games, are also highly suited to building and training neural networks.
 
Once you have built a neural network, you need to train it. Essentially, you want to learn how to imitate a brain. We train a neural network for example, to recognize the heart in an image. We do this by presenting the network with lot and lots of images it can learn from."
 
The problem, though, is that there are not enough images. “All research into the application of machine learning in healthcare leads to the same problem - we need an enormous amount of data to train models, but these data are difficult to obtain."

Generator vs. Discriminator

The solution to that problem definitely sounds like science fiction: "We can have neural networks generate their own images. So, one system creates MRI images of the heart that are indistinguishable from real MRI images. We call this system the generator. The other system, the discriminator, has to assess if the images indeed look real enough. It is a kind of game where two systems learn from each other and continually improve their skills. The generated images are so good that doctors can hardly distinguish them from the real ones." The TU/e project, called the Open Ground Training Network, is even subsidized by the European Union. 

Left (in color): a model of the brain that was used as input for a neural network to generate new images (with a tumor in red/orange).  Right (in black and white): four different types of synthesized, but very realistic, MRI images.
 
How would the young Marcel, who worked on a computer the size of a sideboard, feel about that? “I have always been a little skeptical about neural networks, but now I am discovering the huge positive impact they can have on health technology. We are also currently working on a system that can convert low-resolution images to higher-resolution images. These are all amazing projects. "These are really exciting times to be working in health technology."

Within Philips, thousands of inventors work every day on the technologies of tomorrow. What drives them? How do they come up with their ideas and how do they successfully bring them to market? In the series Impactful Inventors, we answer these questions.
 
Also read:
 
Henk van Houten, Chief Technology Officer: "Invention Awards winners are the heroes of Philips Research"
 
Mark Johnson, the man of hundreds of patents: "There is no training to become an inventor"
 
“We were the only European team invited to present at an AI event in the US White House”; Anca Bucur is on a mission to turn data and artificial intelligence from a promise to an actual, tangible clinical benefit.
 
Mohammed Meftah works hard on improving the lives of unborn and prematurely born babies with pioneering research: “Inventing is looking for relevant problems and finding new solutions to them that are not obvious”

Denny Mathew wants to inspire young women to consider a career in technology: “Young women can be leading drivers of innovation with their innate abilities of problem-solving creativity and collaboration.”

“With digital twins of patients, we can predict how they will respond to certain procedures.” Valentina Lavezzo is constantly looking for (and developing) use cases for digital twins.