麻省理工学院的研究人员已经设计出一种方法,可以加速创建和定制医学图像分析模板的过程,从而指导疾病诊断。 

医学图像分析的一个用途是处理病人的医学图像数据集,并捕获可能指示疾病进展的结构关系。在许多情况下,分析需要使用一个称为“图谱”的常见图像模板,这是给定患者群体的平均表示。地图集可作为比较的参考,例如用于确定随时间推移的临床意义重大的脑结构变化。

构建模板是一个耗时、费力的过程,通常需要几天或几周的时间来生成,尤其是在使用3D大脑扫描时。为了节省时间,研究人员经常下载以前由研究小组生成的公开可用的地图集。但这些数据并没有完全捕捉到个体数据集或特定亚群体的多样性,比如那些患有新疾病或来自幼儿的群体。最终,地图集不能平滑地映射到离群图像上,产生糟糕的结果。

在12月举行的神经信息处理系统会议上,研究人员发表了一篇论文,描述了一种自动机器学习模型,该模型根据特定的病人属性,如年龄、性别和疾病,生成“有条件的”地图集。通过利用来自整个数据集的共享信息,该模型还可以综合数据集中可能完全缺失的患者亚群的地图集。

“世界需要更多的地图集,”第一作者Adrian Dalca说,他曾是计算机科学和人工智能实验室(CSAIL)的博士后,现在是哈佛医学院和麻省总医院的放射学教员。“地图集是许多医学图像分析的中心。这种方法可以生成更多的类,也可以生成有条件的类。”

加入Dalca的是CSAIL的访问研究员Marianne Rakic;John Guttag,计算机科学和电子工程Dugald C. Jackson教授,CSAIL数据驱动推理组组长;还有康奈尔大学的梅尔特·萨宾库。

同时校准和地图集

传统的atlas构建方法对数据集中的所有图像执行冗长的迭代优化过程。例如,他们将所有的3D脑部扫描与一个初始的(通常是模糊的)地图集对齐,然后从对齐的扫描中计算出一个新的平均图像。他们对所有的图像重复这个迭代过程。这将计算一个最终图集,最小化数据集中所有扫描必须变形以匹配图集的程度。如果没有足够的数据可用,对患者亚群进行这种处理可能是复杂和不精确的。

将地图集映射到新的扫描会产生一个“变形场”,它描述了两幅图像之间的差异。这捕获了结构变化,然后可以进一步分析。例如,在脑部扫描中,结构变化可能是由于疾病不同阶段的组织退化造成的。

在以前的工作中,Dalca和其他研究人员开发了一个神经网络来快速对齐这些图像。这在一定程度上加快了传统的阿特拉斯建造过程。“我们说,‘为什么我们不能在学习对齐图像的同时建立条件地图集?’”Dalca说。

为此,研究人员结合了两个神经网络:一个网络在每次迭代时自动学习地图集,另一个网络——改编自以前的研究——同时将地图集与数据集中的图像对齐。

在训练中,关节网络被输入一个随机图像,这个图像来自一个用病人属性编码的数据集。以此为基础,它估计了一个属性条件集。第二个网络将估计的地图集与输入图像对齐,生成一个变形场。

为每个图像对生成的变形场用于训练“损失函数”,这是机器学习模型的一个组成部分,帮助最小化与给定值的偏差。在这种情况下,该函数专门学习最小化地图集和每个图像之间的距离。网络不断地改进地图集,使其平滑地与数据集上的任何给定图像对齐。

随需应变的地图册

最终的结果是一个函数,它学习了特定的属性(如年龄)如何与数据集中所有图像的结构变化相关联。通过将新的病人属性插入到函数中,它利用了数据集中所有学习到的信息来合成一个按需地图集——即使该属性数据在数据集中丢失或缺乏。

比如说,有人想要一份45岁女性患者的脑部扫描地图集,里面有30岁至90岁患者的信息,但没有40岁至50岁女性患者的数据。该功能将分析大脑在30岁至90岁之间的变化模式,并整合该年龄段和性别的少量数据。然后,它将为理想年龄的女性绘制最具代表性的地图集。在他们的论文中,研究人员通过为15岁到90岁的不同年龄组生成条件模板来验证这一功能。

研究人员希望临床医生能够利用这个模型,从他们自己的潜在的小数据集快速建立他们自己的地图集。例如,Dalca目前正与马萨诸塞州总医院的研究人员合作,利用儿科脑部扫描数据集,为较年幼的儿童生成条件地图集。

一个伟大的梦想是建立一个功能,可以生成任何亚群体的条件地图集,跨越出生到90岁。研究人员可以登录一个网页,输入年龄、性别、疾病和其他参数,然后得到一个按需条件图谱。“那将是美妙的,因为每个人都可以把这个功能作为一个单一的宇宙地图集参考,”Dalca说。

医学成像之外的另一个潜在应用是运动训练。有人可以训练这个函数生成一个图集,比如一个网球运动员的发球动作。然后球员可以比较新的发球和地图,看看他们在哪里保持正确的形式或哪里出了问题。

达尔卡说:“如果你看体育比赛,通常会有评论者说他们注意到一个人的状态与另一个人的状态不一致。”“但你可以想象,它的数量可能比这多得多。”

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/ai-model-atlas-patient-brain-analysis-1126