taitra
Advantechline
 

MIT科学家开发出从大脑扫描3D影像中分析更多资料的新方法

MIT科学家的新方法能从影像中收集更多讯息来训练机器学习模型。MIT

越来越多科学家在培训深度学习模型以检测与阿兹海默症和多发性硬化症等神经系统疾病相关的脑部扫描结构模式。但收集训练数据很费力,每次扫描中的所有解剖结构须单独概述或由神经学专家手工标记。对此,麻省理工学院(MIT)研究人员设计了新方法,能从医学扫描影像中收集更多讯息。

根据eHealth News报导,MIT研究人员开发的系统用单个标记扫描及未标记的扫描,自动合成不同训练范例的大量数据集。该数据集能用来训练机器学习模型在新扫描中找到解剖结构。训练数据越多,预测越准确。

其关键在于自动生成影像分割(image segmentation)过程的数据。该过程将影像划分为更有意义且易于分析的像素区域。为此,该系统使用卷积神经网络(convolutional neural network;CNN)分析来自不同患者和设备的大量未标记扫描,以学习解剖学、亮度和对比度变化。

然后,该系统将这些学习变化的随机组合应用于单个标记扫描,以合成既逼真又准确标记的新扫描,再将这些新合成的扫描输入到不同的CNN让它学习如何分割新图象。

研究人员表示,他们希望在没有大量训练数据的现实情况下让图象分割更容易获得。他们的方法能学习模仿未标记扫描的变化,以智能地合成大型数据集来训练神经网络。

磁振造影(MRI)由三维像素(voxel)组成。在分割MRI时,专家根据包含它们的解剖结构分离和标记三维像素区域。由个别大脑和所用设备的变化引起的扫描多样性,对使用机器学习自动化该流程带来挑战。

研究人员对来自真实患者的100个未标记扫描进行了系统训练,以计算空间变换。这产生了许多流场(flow field),其模拟三维像素如何从一次扫描移动到另一次扫描。同时,它计算强度变换,捕捉由影像对比度、杂讯和其它因素引起的外观变化。

在生成新扫描时,系统将随机流场应用于原始标记扫描,再藉由遵循三维像素在流场中的移动方式,将卷标映射到新结构。最后,合成扫描非常类似于真实、未标记的扫描,但具有准确的卷标。

研究人员将其系统与传统的分割方法做比较。其系统在较小的结构上表现优于所有其它方法,例如体积仅占大脑的约0.6%的海马体。

  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 卷积神经网络 医疗AI算法