MIT-forskare har tagit fram en metod som påskyndar processen för att skapa och anpassa mallar som används i medicinsk bildanalys, att styra sjukdomsdiagnos.

En användning av medicinsk bildanalys är att krossa datamängder av patienters medicinska bilder och fånga strukturella relationer som kan indikera utvecklingen av sjukdomar. I många fall, analys kräver användning av en gemensam bildmall, kallas en "atlas, "Det är en genomsnittlig representation av en given patientpopulation. Atlaser fungerar som en referens för jämförelse, till exempel för att identifiera kliniskt signifikanta förändringar i hjärnstrukturer över tid.

Att bygga en mall är tidskrävande, mödosam process, tar ofta dagar eller veckor att generera, särskilt när man använder 3D-hjärnskanningar. För att spara tid, forskare laddar ofta ner offentligt tillgängliga atlasser som tidigare genererats av forskargrupper. Men de fångar inte helt upp mångfalden av enskilda datamängder eller specifika delpopulationer, som de med nya sjukdomar eller från små barn. I sista hand, atlasen kan inte smidigt mappas på outlier -bilder, ger dåliga resultat.

I ett dokument som presenterades vid konferensen om system för behandling av neural information i december, forskarna beskriver en automatiserad maskininlärningsmodell som genererar "villkorliga" atlasser baserat på specifika patientattribut, som ålder, sex, och sjukdom. Genom att utnyttja delad information från en hel dataset, modellen kan också syntetisera atlaser från patientundersökningar som kan saknas helt i datamängden.

"Världen behöver fler atlasser, "säger författaren Adrian Dalca, en tidigare postdoc i datavetenskap och artificiell intelligenslaboratorium (CSAIL) och nu en fakultetsmedlem i radiologi vid Harvard Medical School och Massachusetts General Hospital. "Atlas är centrala för många medicinska bildanalyser. Den här metoden kan bygga mycket mer av dem och även bygga villkorade."

Med på Dalca i pappret är Marianne Rakic, en gästforskare i CSAIL; John Guttag, Dugald C. Jackson professor i datavetenskap och elektroteknik och chef för CSAILs Data Driven Inference Group; och Mert R. Sabuncu från Cornell University.

Samtidig uppriktning och atlas

Traditionella atlasbyggnadsmetoder är långa, iterativa optimeringsprocesser på alla bilder i en datamängd. De ligger i linje, säga, alla 3D-hjärnan skannar till en initial (ofta suddig) atlas, och beräkna en ny genomsnittsbild från de inriktade skanningarna. De upprepar denna iterativa process för alla bilder. Detta beräknar en slutlig atlas som minimerar i vilken utsträckning alla skanningar i datamängden måste deformeras för att matcha atlasen. Att utföra denna process för patientpopulationer kan vara komplext och oprecist om det inte finns tillräckligt med data tillgänglig.

Att kartlägga en atlas till en ny skanning genererar ett "deformationsfält, "som kännetecknar skillnaderna mellan de två bilderna. Detta fångar strukturella variationer, som sedan kan analyseras vidare. Vid hjärnskanningar, till exempel, strukturella variationer kan bero på vävnadsdegeneration i olika stadier av en sjukdom.

I tidigare arbeten, Dalca och andra forskare utvecklade ett neuralt nätverk för att snabbt anpassa dessa bilder. Till viss del, som hjälpte till att påskynda den traditionella atlasbyggnadsprocessen. "Vi sa, "Varför kan vi inte bygga villkorliga atlasser samtidigt som vi lär oss att anpassa bilder samtidigt?", Säger Dalca.

Att göra så, forskarna kombinerade två neurala nätverk:Ett nätverk lär automatiskt en atlas vid varje iteration, och en annan - anpassad från tidigare forskning - anpassar samtidigt den atlasen till bilder i en datamängd.

I träning, det gemensamma nätverket matas med en slumpmässig bild från en dataset som är kodad med önskade patientattribut. Från det, den uppskattar en attribut-villkorlig atlas. Det andra nätverket anpassar den beräknade atlasen till inmatningsbilden, och genererar ett deformationsfält.

Deformationsfältet som genereras för varje bildpar används för att träna en "förlustfunktion, "en komponent i maskininlärningsmodeller som hjälper till att minimera avvikelser från ett givet värde. I det här fallet, funktionen lär sig specifikt att minimera avstånd mellan den inlärda atlasen och varje bild. Nätverket förfinar kontinuerligt atlasen för att smidigt anpassa sig till en given bild över datamängden.

Atlaser på begäran

Slutresultatet är en funktion som har lärt sig hur specifika attribut, som ålder, korrelera med strukturella variationer mellan alla bilder i en datamängd. Genom att ansluta nya patientattribut till funktionen, den utnyttjar all inlärd information över datamängden för att syntetisera en atlas på begäran-även om attributdata saknas eller är knappa i datamängden.

Säg att någon vill ha en hjärnskanningsatlas för en 45-årig kvinnlig patient från en datamängd med information från patienter i åldrarna 30 till 90 år, men med lite data för kvinnor i åldrarna 40 till 50. Funktionen kommer att analysera mönster för hur hjärnan förändras mellan 30 till 90 år och inkludera den lilla data som finns för den åldern och könet. Sedan, det kommer att producera den mest representativa atlasen för kvinnor i önskad ålder. I deras papper, forskarna verifierade funktionen genom att skapa villkorliga mallar för olika åldersgrupper från 15 till 90 år.

Forskarna hoppas att läkare kan använda modellen för att snabbt bygga sina egna atlaser från sina egna, eventuellt små datamängder. Dalca samarbetar nu med forskare vid Massachusetts General Hospital, till exempel, att utnyttja en uppsättning pediatriska hjärnskanningar för att generera villkorliga atlaser för yngre barn, som är svåra att få tag på.

En stor dröm är att bygga en funktion som kan generera villkorliga atlaser för alla underbefolkningar, som sträcker sig över 90 år. Forskare kan logga in på en webbsida, ange en ålder, sex, sjukdomar, och andra parametrar, och få en villkorlig atlas på begäran. "Det vore underbart, eftersom alla kan hänvisa till den här funktionen som en enda universell atlasreferens, Säger Dalca.

En annan potentiell tillämpning utöver medicinsk bildbehandling är atletisk träning. Någon kan träna upp funktionen för att skapa en atlas för, säga, en tennisspelares servrörelse. Spelaren kunde sedan jämföra nya servar mot atlasen för att se exakt var de höll rätt form eller var det gick fel.

"Om du tittar på sport, det är vanligtvis kommentatorer som säger att de märkte om någons form var avstängd från en gång jämfört med en annan, "Säger Dalca." Men du kan tänka dig att det kan vara mycket mer kvantitativt än så. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.