Von einem Gehirn-scan, mehr Informationen für medizinische künstliche Intelligenz: System hilft machine-learning-Modelle aufzulesen Ausbildung Informationen für die Diagnose und Behandlung von Hirn-Bedingungen

MIT-Forscher haben dazu eine neuartige Methode, um etwas mehr Informationen aus den Bilder zu train machine-learning-Modelle, darunter solche, die Analyse medizinischer Bilder zur diagnose und Behandlung von Gehirn-Bedingungen.

Eine neue aktive Bereich in der Medizin beinhaltet die Ausbildung deep-learning-Modelle zum erkennen struktureller Muster in Hirn-scans im Zusammenhang mit neurologischen Erkrankungen und Störungen, wie Alzheimer und multiple Sklerose. Aber das sammeln der Trainingsdaten ist mühsam: Alle anatomischen Strukturen, die in jedem scan muss separat beschrieben oder von hand beschriftet von neurologischen Experten. Und, in einigen Fällen, wie etwa bei seltenen Gehirn-Bedingungen in den Kindern, nur ein paar scans zur Verfügung stellen können in den ersten Platz.

In einem paper, vorgestellt auf dem jüngsten Conference on Computer Vision und Pattern Recognition, der MIT-Forscher beschreiben ein system mit einem einzigen beschriftet Scannen, zusammen mit unbeschrifteten scans, um automatisch zu synthetisieren, die eine massive dataset von verschiedenen übungsbeispielen. Der Datensatz kann verwendet werden, um besser trainieren machine-learning-Modelle zu finden, anatomische Strukturen in neue scans-je mehr Trainingsdaten, desto besser die Vorhersagen.

Der Kern der Arbeit ist die automatische Generierung von Daten für die „Bild-Segmentierung-Prozess“, welche Partitionen ein Bild in Regionen aus Pixeln, die sind aussagekräftiger und einfacher zu analysieren. So zu tun, verwendet das system ein convolutional neural network (CNN), ein machine-learning-Modell, das sich zu einem Kraftpaket für Bildverarbeitungs-Aufgaben. Das Netzwerk analysiert eine Menge von unmarkiertem scans von verschiedenen Patienten und verschiedenen Geräte zu „lernen“ anatomische, Helligkeit und Kontrast-Variationen. Dann gilt es eine beliebige Kombination von diesen gelernt Variationen zu einem einzigen beschriftet scan zu synthetisieren, die neue scans, die sowohl realistisch und akkurat beschriftet. Diese neu synthetisierten scans werden dann zugeführt, in einem anderen CNN, lernt segment neue Bilder.

„Wir hoffen, dies wird die Bildsegmentierung mehr zugänglich in realistischen Situationen, in denen Sie nicht über eine Menge von Trainingsdaten,“ sagt ersten Autor Amy Zhao, a graduate student am Department of Electrical Engineering und Computer Science (EECS) und Computer Science and Artificial Intelligence Laboratory (CSAIL). „In unserem Ansatz können Sie lernen, zu imitieren, die Variationen in unbeschrifteten scans intelligent zu synthetisieren eines großen Datensatzes, um zu trainieren Sie Ihr Netzwerk.“

Es gibt Interesse in der Verwendung des Systems, zum Beispiel, zu helfen, zu trainieren predictive-analytics-Modelle am Massachusetts General Hospital, Zhao sagt, wo nur ein oder zwei gekennzeichnet scans bestehen können besonders ungewöhnlich, Gehirn Bedingungen, unter Kind Patienten.

Beitritt Zhao auf dem Papier sind: Guha Balakrishnan, postdoc in Elektrotechnik und CSAIL; EECS Professoren Fredo Durand und John Guttag, und senior-Autor Adrian Dalca, der auch ein Mitglied der Fakultät in der Radiologie an der Harvard Medical School.

Die „Magie“ hinter dem system

Obwohl nun eingesetzt, um die medizinische Bildgebung, eigentlich ist das system begann als ein Mittel zu synthetisieren, die Trainingsdaten für eine smartphone-app, die erkennen könnten, und abrufen von Informationen über Karten von der beliebten Sammel-Kartenspiel „Magic: The Gathering.“ Veröffentlicht in den frühen 1990er Jahren, die „Magie“ hat mehr als 20.000 einzigartigen Karten-mehr veröffentlicht alle paar Monate -, mit denen Spieler zum erstellen von benutzerdefinierten spielen decks.

Zhao, ein begeisterter „Magic“ – Spieler entwickeln wollte, um eine CNN-powered app, machte ein Foto von jeder Karte, die mit einer smartphone-Kamera und automatisch zog Informationen wie Preis und Bewertung von online-Datenbanken. „Wenn ich war Kommissionierung Karten aus einem Spiel zu speichern, bekam ich müde von der Eingabe alle Ihre Namen in meinem Telefon und auf der Suche nach Bewertungen und combos,“ sagt Zhao. „Wäre es nicht fantastisch, wenn ich Scannen könnte Sie mit meinem Handy an und ziehen Sie diese Informationen?“

Aber Sie merkte, dass das eine sehr schwere computer-vision-training Aufgabe. „Man bräuchte viele Fotos von alle 20.000 Karten, unter allen verschiedenen Lichtverhältnissen und Winkeln. Niemand wird zu sammeln, dataset,“ sagt Zhao.

Stattdessen Zhao trainiert CNN auf kleineren Datensatz mit rund 200 Karten, mit 10 verschiedene Fotos der einzelnen Karte, um zu lernen, wie warp, eine Karte in verschiedenen Positionen. Es berechnet unterschiedlicher Beleuchtung, Winkel und Spiegelungen-für, wenn die Karten befinden sich in Plastik-ärmel — synthetisierter realistische verzerrte Versionen der Karte, die in das dataset. Es war eine aufregende Leidenschaft Projekt, Zhao sagt: „Aber wir realisiert, dass dieser Ansatz wirklich gut geeignet für medizinische Bilder, weil diese Art von Verwerfungen passt wirklich gut mit MRT.“

Mind warp

Magnetische Resonanz-Bilder (MRT) sind aus der drei-dimensionalen Pixel, sogenannte voxels. Bei der Segmentierung von MRT, Experten trennen und label-voxel-Regionen basierend auf der anatomischen Struktur, die Sie enthalten. Die Vielfalt der scans, verursacht durch Variationen in der individuellen Gehirne und Ausrüstung verwendet werden soll, stellt eine Herausforderung für die Verwendung von machine learning, diesen Prozess zu automatisieren.

Einige bestehende Methoden zu synthetisieren Ausbildung Beispiele aus beschriftet scans mithilfe von „data augmentation“, die warps beschriftet voxels in verschiedenen Positionen. Aber diese Methoden erfordern Experten mit der hand schreiben, die verschiedene augmentation Richtlinien, und einige der synthetisierten scans sehen nichts wie eine realistische menschliche Gehirn, die sich nachteilig auf den Lernprozess.

Stattdessen werden die Forscher system lernt automatisch, wie zu synthetisieren realistische scans. Die Forscher trainierten Ihre system auf 100 unbeschrifteten scans von realen Patienten zu berechnen räumliche Transformationen — anatomische Entsprechungen von scan zu scan. Dieses generiert, wie viele „flow fields“, das Modell, wie voxels von einem scan zum anderen. Gleichzeitig berechnet er die Intensität der Transformationen, die erfassen Aussehen Variationen von Bild-Kontrast, Rauschen und andere Faktoren.

Bei der Erzeugung eines neuen Scans, gilt das system eine zufällige Strömungsfeld der Aufschrift original-scan verschiebt, um voxels, bis es strukturell entspricht einem realen, unbeschrifteten scan. Dann überlagert es eine zufällige Intensität transformation. Schließlich ordnet das system die Etiketten an die neuen Strukturen, indem Sie die folgenden, wie die voxels verschoben in das Strömungsfeld. Am Ende der synthetisierten scans, die eng ähneln die echte, unbeschrifteten durchsucht-aber mit genauen Bezeichnungen.

Testen Sie Ihre automatisierte Segmentierung Genauigkeit, die Forscher verwendeten Würfel erzielt, die Messen, wie gut eine 3-D Form passt über ein weiteres, auf einer Skala von 0 bis 1. Sie verglichen Ihre system zu traditionellen Segmentierung Methoden-manuell und automatisiert-über 30 verschiedene Hirnstrukturen über 100 gehalten-out-test-scans. Die großen Strukturen waren vergleichsweise präzise unter allen Methoden. Aber die Forscher “ – system besser als alle anderen Ansätze, die auf kleinere Strukturen, wie dem hippocampus, die nimmt nur etwa 0,6 Prozent des Gehirns, durch Volumen.

„Das zeigt, dass unsere Methode verbessert gegenüber anderen Methoden, insbesondere wie Sie in den kleineren Strukturen, die sehr wichtig sein kann im Verständnis von Krankheit,“ sagt Zhao. „Und wir wussten, dass, während Sie brauchen nur eine einzige hand beschriftet scan“.

In einer Anspielung auf das Werk „Magic“ Wurzeln, der code ist öffentlich verfügbar auf Github unter dem Namen von einem der Spiel-Karten, „Brainstorming.“