DForum
Advantechline
 

MIT科學家開發出從大腦掃描3D影像中分析更多資料的新方法

MIT科學家的新方法能從影像中收集更多訊息來訓練機器學習模型。MIT

越來越多科學家在培訓深度學習模型以檢測與阿茲海默症和多發性硬化症等神經系統疾病相關的腦部掃描結構模式。但收集訓練數據很費力,每次掃描中的所有解剖結構須單獨概述或由神經學專家手工標記。對此,麻省理工學院(MIT)研究人員設計了新方法,能從醫學掃描影像中收集更多訊息。

根據eHealth News報導,MIT研究人員開發的系統用單個標記掃描及未標記的掃描,自動合成不同訓練範例的大量數據集。該數據集能用來訓練機器學習模型在新掃描中找到解剖結構。訓練數據越多,預測越準確。

其關鍵在於自動生成影像分割(image segmentation)過程的數據。該過程將影像劃分為更有意義且易於分析的像素區域。為此,該系統使用卷積神經網路(convolutional neural network;CNN)分析來自不同患者和設備的大量未標記掃描,以學習解剖學、亮度和對比度變化。

然後,該系統將這些學習變化的隨機組合應用於單個標記掃描,以合成既逼真又準確標記的新掃描,再將這些新合成的掃描輸入到不同的CNN讓它學習如何分割新圖像。

研究人員表示,他們希望在沒有大量訓練數據的現實情況下讓圖像分割更容易獲得。他們的方法能學習模仿未標記掃描的變化,以智慧地合成大型數據集來訓練神經網路。

磁振造影(MRI)由三維像素(voxel)組成。在分割MRI時,專家根據包含它們的解剖結構分離和標記三維像素區域。由個別大腦和所用設備的變化引起的掃描多樣性,對使用機器學習自動化該流程帶來挑戰。

研究人員對來自真實患者的100個未標記掃描進行了系統訓練,以計算空間變換。這產生了許多流場(flow field),其模擬三維像素如何從一次掃描移動到另一次掃描。同時,它計算強度變換,捕捉由影像對比度、雜訊和其他因素引起的外觀變化。

在生成新掃描時,系統將隨機流場應用於原始標記掃描,再藉由遵循三維像素在流場中的移動方式,將標籤映射到新結構。最後,合成掃描非常類似於真實、未標記的掃描,但具有準確的標籤。

研究人員將其系統與傳統的分割方法做比較。其系統在較小的結構上表現優於所有其他方法,例如體積僅佔大腦的約0.6%的海馬體。


  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: 卷積神經網路 醫療AI演算法