Udarbejdelse af bedre vejledninger til medicinsk billedanalyse

MIT-forskere har udviklet en metode, der fremskynder processen med at oprette og tilpasse skabeloner, der bruges i medicinsk billedanalyse, at guide sygdomsdiagnose.

En brug af medicinsk billedanalyse er at knuse datasæt af patienters medicinske billeder og fange strukturelle forhold, der kan indikere sygdommens progression. I mange tilfælde, analyse kræver brug af en fælles billedskabelon, kaldet et "atlas, "Det er en gennemsnitlig repræsentation af en given patientpopulation. Atlas fungerer som en reference til sammenligning, for eksempel at identificere klinisk signifikante ændringer i hjernestrukturer over tid.

At bygge en skabelon er tidskrævende, besværlig proces, tager ofte dage eller uger at generere, især ved brug af 3D-hjernescanninger. For at spare tid, forskere downloader ofte offentligt tilgængelige atlas, der tidligere er genereret af forskergrupper. Men de fanger ikke fuldstændigt mangfoldigheden af ​​individuelle datasæt eller specifikke underpopulationer, som dem med nye sygdomme eller fra små børn. Ultimativt, atlaset kan ikke problemfrit kortlægges på outlier -billeder, giver dårlige resultater.

I et papir, der blev præsenteret på konferencen om systemer til behandling af neurale oplysninger i december, forskerne beskriver en automatiseret machine-learning-model, der genererer "betingede" atlas baseret på specifikke patientattributter, såsom alder, køn, og sygdom. Ved at udnytte delte oplysninger på tværs af et helt datasæt, modellen kan også syntetisere atlas fra patient -subpopulationer, der muligvis mangler helt i datasættet.

"Verden har brug for flere atlas, "siger første forfatter Adrian Dalca, en tidligere postdoc i Computer Science and Artificial Intelligence Laboratory (CSAIL) og nu et fakultetsmedlem i radiologi ved Harvard Medical School og Massachusetts General Hospital. "Atlas er centrale for mange medicinske billedanalyser. Denne metode kan også bygge mange flere af dem og opbygge betingede."

Sammen med Dalca på papiret er Marianne Rakic, en gæsteforsker i CSAIL; John Guttag, Dugald C. Jackson professor i datalogi og elektroteknik og leder af CSAIL's Data Driven Inference Group; og Mert R. Sabuncu fra Cornell University.

Samtidig justering og atlas

Traditionelle atlasbygningsmetoder kører langvarigt, iterative optimeringsprocesser på alle billeder i et datasæt. De flugter, sige, alle 3D-hjerner scanner til et indledende (ofte sløret) atlas, og beregne et nyt gennemsnitligt billede fra de justerede scanninger. De gentager denne iterative proces for alle billeder. Dette beregner et sidste atlas, der minimerer, i hvilket omfang alle scanninger i datasættet skal deformeres for at matche atlaset. At udføre denne proces for patientpopulationer kan være kompleks og upræcis, hvis der ikke er tilstrækkelige data til rådighed.

Kortlægning af et atlas til en ny scanning genererer et "deformationsfelt, "som kendetegner forskellene mellem de to billeder. Dette fanger strukturelle variationer, som derefter kan analyseres yderligere. Ved hjernescanninger, for eksempel, strukturelle variationer kan skyldes vævsdegeneration på forskellige stadier af en sygdom.

I tidligere arbejde, Dalca og andre forskere udviklede et neuralt netværk til hurtigt at tilpasse disse billeder. Delvis, der hjalp med at fremskynde den traditionelle atlas-byggeproces. "Vi sagde, "Hvorfor kan vi ikke bygge betingede atlasser, mens vi samtidig lærer at justere billeder?" Siger Dalca.

For at gøre det, forskerne kombinerede to neurale netværk:Et netværk lærer automatisk et atlas ved hver iteration, og en anden - tilpasset fra den tidligere forskning - tilpasser samtidigt dette atlas til billeder i et datasæt.

I træning, det fælles netværk fodres med et tilfældigt billede fra et datasæt, der er kodet med ønskede patientattributter. Fra det, det anslår et attribut-betinget atlas. Det andet netværk justerer det estimerede atlas med inputbilledet, og genererer et deformationsfelt.

Deformationsfeltet, der genereres for hvert billedpar, bruges til at træne en "tabsfunktion, "en komponent i maskinlæringsmodeller, der hjælper med at minimere afvigelser fra en given værdi. I dette tilfælde, funktionen lærer specifikt at minimere afstande mellem det indlærte atlas og hvert billede. Netværket forbedrer kontinuerligt atlaset til jævnt at tilpasse sig et givet billede på tværs af datasættet.

Atlaser på forespørgsel

Slutresultatet er en funktion, der har lært, hvordan specifikke attributter, såsom alder, korrelere med strukturelle variationer på tværs af alle billeder i et datasæt. Ved at tilslutte nye patientattributter til funktionen, det udnytter alle indlærte oplysninger på tværs af datasættet til at syntetisere et on-demand-atlas-selvom disse attributdata mangler eller er knappe i datasættet.

Sig, at nogen ønsker et hjernescanningsatlas for en 45-årig kvindelig patient fra et datasæt med oplysninger fra patienter i alderen 30 til 90 år, men med få data for kvinder i alderen 40 til 50. Funktionen vil analysere mønstre af, hvordan hjernen ændrer sig mellem 30 til 90 år og inkorporere de små data, der findes for den alder og køn. Derefter, det vil producere det mest repræsentative atlas for hunner i den ønskede alder. I deres papir, forskerne verificerede funktionen ved at generere betingede skabeloner til forskellige aldersgrupper fra 15 til 90 år.

Forskerne håber, at læger kan bruge modellen til hurtigt at bygge deres egne atlas fra deres egne, potentielt små datasæt. Dalca samarbejder nu med forskere på Massachusetts General Hospital, for eksempel, at udnytte et datasæt af pædiatriske hjernescanninger for at generere betingede atlas til yngre børn, som er svære at komme efter.

En stor drøm er at bygge en funktion, der kan generere betingede atlas for enhver underbefolkning, fra fødslen til 90 år. Forskere kunne logge ind på en webside, indtast en alder, køn, sygdomme, og andre parametre, og få et on-demand betinget atlas. "Det ville være vidunderligt, fordi alle kan henvise til denne ene funktion som en enkelt universel atlasreference, "Siger Dalca.

En anden potentiel anvendelse ud over medicinsk billeddannelse er atletisk træning. Nogen kunne træne funktionen til at generere et atlas til, sige, en tennisspillers serve -bevægelse. Spilleren kunne derefter sammenligne nye servere mod atlaset for at se præcis, hvor de havde den rette form, eller hvor det gik galt.

"Hvis du ser sport, det er normalt kommentatorer, der siger, at de har bemærket, hvis en persons form var fra en gang i forhold til en anden, "Siger Dalca." Men du kan forestille dig, at det kunne være meget mere kvantitativt end det. "

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.