麻省理工學(xué)院的研究人員設(shè)計了一種新穎的方法，可以從用于訓(xùn)練機器學(xué)習(xí)模型的圖像中收集更多信息，包括可以分析醫(yī)學(xué)掃描以幫助診斷和治療腦部疾病的圖像。

活躍的醫(yī)學(xué)新領(lǐng)域涉及訓(xùn)練深度學(xué)習(xí)模型，以檢測與神經(jīng)系統(tǒng)疾病和病癥(例如阿爾茨海默氏病和多發(fā)性硬化癥)相關(guān)的大腦掃描的結(jié)構(gòu)模式。但是收集訓(xùn)練數(shù)據(jù)很費力：每次掃描中的所有解剖結(jié)構(gòu)必須分別由神經(jīng)病學(xué)專家單獨概述或手工標(biāo)記。而且，在某些情況下，例如對于兒童罕見的腦部疾病，一開始只能進行幾次掃描。

在最近的計算機視覺和模式識別會議上發(fā)表的一篇論文中，麻省理工學(xué)院的研究人員描述了一種系統(tǒng)，該系統(tǒng)使用單個標(biāo)記的掃描以及未標(biāo)記的掃描來自動合成大量不同訓(xùn)練示例的數(shù)據(jù)集。該數(shù)據(jù)集可用于更好地訓(xùn)練機器學(xué)習(xí)模型，以在新的掃描中找到解剖結(jié)構(gòu)-訓(xùn)練數(shù)據(jù)越多，這些預(yù)測就越好。

麻省理工學(xué)院的研究人員開發(fā)了一種系統(tǒng)，該系統(tǒng)可以從未標(biāo)記的數(shù)據(jù)中收集更多的標(biāo)記訓(xùn)練數(shù)據(jù)，這可以幫助機器學(xué)習(xí)模型更好地檢測與神經(jīng)系統(tǒng)疾病相關(guān)的大腦掃描中的結(jié)構(gòu)模式。該系統(tǒng)了解未標(biāo)記掃描的結(jié)構(gòu)和外觀變化，并使用該信息將一個標(biāo)記掃描塑造和塑造為成千上萬個新的，不同的標(biāo)記掃描。圖片由研究人員提供

工作的關(guān)鍵是自動為“圖像分割”過程生成數(shù)據(jù)，該過程將圖像劃分為更有意義且更易于分析的像素區(qū)域。為此，該系統(tǒng)使用了卷積神經(jīng)網(wǎng)絡(luò)(CNN)，這是一種機器學(xué)習(xí)模型，現(xiàn)已成為圖像處理任務(wù)的強大動力。該網(wǎng)絡(luò)分析了來自不同患者和不同設(shè)備的許多未標(biāo)記掃描結(jié)果，以“學(xué)習(xí)”解剖結(jié)構(gòu)，亮度和對比度變化。然后，它將那些學(xué)習(xí)到的變化的隨機組合應(yīng)用于單個標(biāo)記的掃描，以合成既現(xiàn)實又準(zhǔn)確標(biāo)記的新掃描。然后，將這些新合成的掃描輸入到不同的CNN中，該CNN學(xué)習(xí)如何分割新圖像。

“我們希望這將使您在沒有大量訓(xùn)練數(shù)據(jù)的現(xiàn)實情況下更容易進行圖像分割，”第一作者，電氣工程與計算機科學(xué)系(EECS)的研究生Amy Zhao說，計算機科學(xué)與人工智能實驗室(CSAIL)。“在我們的方法中，您可以學(xué)習(xí)模仿未標(biāo)記掃描的變化，從而智能地合成大型數(shù)據(jù)集以訓(xùn)練您的網(wǎng)絡(luò)。”

趙說，人們有興趣使用該系統(tǒng)來幫助訓(xùn)練馬薩諸塞州總醫(yī)院的預(yù)測分析模型，在兒童患者中，只有一兩次被標(biāo)記的掃描可能存在特別罕見的腦部疾病。

加入趙的論文是：EECS和CSAIL的博士后Guha Balakrishnan;EECS教授弗雷多·杜蘭德(Fredo Durand)和約翰·古塔格(John Guttag)，以及資深作者阿德里安·達爾卡(Adrian Dalca)，他也是哈佛醫(yī)學(xué)院放射學(xué)的教員。

系統(tǒng)背后的“魔術(shù)”

盡管現(xiàn)在已應(yīng)用于醫(yī)學(xué)成像，但該系統(tǒng)實際上最初是為智能手機應(yīng)用程序合成訓(xùn)練數(shù)據(jù)的一種方法，該應(yīng)用程序可以從流行的可收集紙牌游戲“ Magic：The Gathering”中識別和檢索有關(guān)紙牌的信息。“ Magic”發(fā)行于1990年代初，擁有20,000多張獨特的卡片，每隔幾個月就會發(fā)行更多張，玩家可以用來構(gòu)建定制的游戲套牌。

狂熱的“ Magic”播放器Zhao想要開發(fā)一個使用CNN的應(yīng)用程序，該應(yīng)用程序可以使用智能手機攝像頭為任何一張卡拍照，并自動從在線卡數(shù)據(jù)庫中提取價格和等級等信息。“當(dāng)我從游戲商店挑選卡片時，我已經(jīng)厭倦了將所有名字都輸入到手機中并查找等級和組合，”趙說。“如果我可以用手機掃描它們并提取信息，那會很棒嗎?”

但是她意識到這是一項非常艱巨的計算機視覺培訓(xùn)任務(wù)。“您需要在所有不同的光照條件和角度下，所有20,000張卡片的許多照片。沒有人會收集那個數(shù)據(jù)集。”趙說。

取而代之的是，Zhao在約200張卡片的較小數(shù)據(jù)集上訓(xùn)練了CNN，并為每張卡片制作了10張不同的照片，以學(xué)習(xí)如何將卡片扭曲到各個位置。它計算了不同的光照，角度和反射(用于將卡片放置在塑料套中的情況)，以合成數(shù)據(jù)集中任何卡片的逼真的變形版本。Zhao說，這是一個激動人心的熱情項目：“但是我們意識到這種方法確實非常適合醫(yī)學(xué)圖像，因為這種變形非常適合MRI。”

精神扭曲

磁共振圖像(MRI)由稱為像素的三維像素組成。在對MRI進行分段時，專家會根據(jù)包含體素的解剖結(jié)構(gòu)來分離和標(biāo)記體素區(qū)域。由使用的單個大腦和設(shè)備的差異導(dǎo)致的掃描多樣性給使用機器學(xué)習(xí)自動執(zhí)行此過程帶來了挑戰(zhàn)。

一些現(xiàn)有方法可以使用“數(shù)據(jù)增強”從標(biāo)記掃描中合成訓(xùn)練示例，這會將標(biāo)記的體素扭曲到不同的位置。但是這些方法需要專家手寫各種增強準(zhǔn)則，并且某些合成掃描看起來并不像真實的人腦，這可能對學(xué)習(xí)過程有害。

相反，研究人員的系統(tǒng)會自動學(xué)習(xí)如何合成逼真的掃描。研究人員在對來自真實患者的100次無標(biāo)簽掃描中訓(xùn)練了他們的系統(tǒng)，以計算空間轉(zhuǎn)換 - 掃描之間的解剖對應(yīng)。這產(chǎn)生了盡可能多的“流場”，這些流場模擬了體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，該變換捕獲由圖像對比度，噪聲和其他因素引起的外觀變化。

在生成新掃描時，系統(tǒng)將隨機流場應(yīng)用于原始標(biāo)記的掃描，該掃描流圍繞體素移動，直到結(jié)構(gòu)上與真實的未標(biāo)記掃描相匹配。然后，它覆蓋了隨機強度轉(zhuǎn)換。最后，系統(tǒng)通過遵循體素在流場中的移動方式將標(biāo)簽映射到新結(jié)構(gòu)。最后，合成掃描與真實的，未標(biāo)記的掃描非常相似，但是具有準(zhǔn)確的標(biāo)記。

為了測試其自動分割的準(zhǔn)確性，研究人員使用了Dice分?jǐn)?shù)，該分?jǐn)?shù)以0到1的比例來衡量一種3-D形狀在另一種形狀上的擬合程度。他們將其系統(tǒng)與傳統(tǒng)的分割方法(手動和自動)在30種不同的形狀上進行了比較進行100次不間斷測試掃描的大腦結(jié)構(gòu)。在所有方法中，大型結(jié)構(gòu)都相當(dāng)精確。但是研究人員的系統(tǒng)在較小結(jié)構(gòu)上的表現(xiàn)優(yōu)于所有其他方法，例如海馬，按體積計僅占大腦的0.6%。

“這表明我們的方法比其他方法有所改進，特別是當(dāng)您進入較小的結(jié)構(gòu)時，這對于理解疾病非常重要，” Zhao說。“而且我們做到了，而只需要進行一次手工標(biāo)記的掃描。”

為了紀(jì)念該作品的“魔術(shù)”根源，該代碼已在Github上公開發(fā)布， 并以其中一張游戲卡“ Brainstorm”的名義公開 提供。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！