制作更好的医学图像分析指南

 
麻省理工学院的研究人员设计了一种方法，可以加快创建和自定义医学图像分析中使用的模板的过程，以指导疾病诊断。
医学图像分析的一种用途是处理患者医学图像的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，分析需要使用称为“图集”的通用图像模板，该模板是给定患者人群的平均代表。地图集用作比较的参考，例如确定随时间变化的脑结构的临床显着变化。
构建模板是一个耗时，费力的过程，通常需要几天或几周才能生成，尤其是在使用3-D脑部扫描时。为了节省时间，研究人员经常下载研究小组先前生成的可公开获得的地图集。但是，这些不能完全捕捉单个数据集或特定亚群的多样性，例如患有新疾病或来自幼儿的那些。最终，无法将图集平滑地映射到离群值图像上，从而产生较差的结果。
在12月于神经信息处理系统大会上发表的一篇论文中，研究人员描述了一种自动机器学习模型，该模型可以根据特定的患者属性(例如年龄，性别和疾病)生成“条件”图谱。通过利用整个数据集中的共享信息，该模型还可以从可能完全丢失数据集中的患者亚人群中合成图集。
“世界需要更多地图集，”第一作者阿德里安·达尔卡(Adrian Dalca)说，他是计算机科学与人工智能实验室(CSAIL)的前博士后，现在是哈佛医学院和马萨诸塞州总医院放射学的教员。 “地图集是许多医学图像分析的核心。这种方法可以构建更多的图像，也可以构建条件图像。”
CSAIL的客座研究员Marianne Rakic和Dalca一起加入了本文。 John Guttag，Dugald C. Jackson计算机科学与电气工程教授，CSAIL数据驱动推理小组负责人;康奈尔大学的Mert R. Sabuncu。
同时对齐和地图集
传统的图集构建方法对数据集中的所有图像进行冗长的迭代优化过程。例如，他们将所有3D大脑扫描对齐到初始(通常是模糊的)地图集，并从对齐的扫描中计算出新的平均图像。他们对所有图像重复此迭代过程。这将计算最终图集，该图集将数据集中所有扫描必须变形以匹配图集的程度最小化。如果没有足够的数据，对患者亚人群执行此过程可能很复杂且不精确。
将地图集映射到新扫描会生成“变形场”，该场表征了两个图像之间的差异。这捕获了结构变化，然后可以对其进行进一步分析。例如，在脑部扫描中，结构变化可能归因于疾病不同阶段的组织退化。
在先前的工作中，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。在某种程度上，这有助于加快传统地图集的创建过程。 “我们说：“为什么在学习同时对齐图像的同时不能建立条件地图集?” Dalca说。
为此，研究人员组合了两个神经网络：一个网络在每次迭代时自动学习地图集，而另一个网络(根据先前的研究改编)同时将该地图集与数据集中的图像对齐。
在训练中，从编码有所需患者属性的数据集中为随机网络提供随机图像。据此，它估计出一个属性条件图集。第二网络将估计的地图集与输入图像对齐，并生成变形场。
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组成部分，有助于最小化与给定值的偏差。在这种情况下，该功能专门学习使学习的地图集和每个图像之间的距离最小。网络会不断完善地图集，以使其与数据集中的任何给定图像平滑对齐。
按需地图集
最终结果是一个学习了功能的函数，例如年龄等特定属性如何与数据集中所有图像的结构变化相关联。通过将新的患者属性插入功能，它可以利用整个数据集中的所有学习信息来合成按需图集，即使该属性数据在数据集中缺失或稀缺也是如此。
假设有人想要从数据集中获取45岁女性患者的大脑扫描图谱，该数据集包含30至90岁患者的信息，而40至50岁女性的数据很少。该功能将分析大脑在不同年龄段之间的变化方式年龄介于30至90岁之间，并结合了该年龄段和性别的数据。然后，它将为所需年龄的女性制作最具代表性的地图集。在他们的论文中，研究人员通过生成15至90岁各个年龄段的条件模板来验证该功能。
研究人员希望临床医生可以使用该模型从他们自己的可能很小的数据集中快速构建自己的地图集。例如，达卡(Dalca)现在正在与马萨诸塞州总医院(Massachusetts General Hospital)的研究人员进行合作，以利用小儿脑部扫描数据集为年幼的儿童生成条件图谱，而这很难获得。
一个大的梦想是建立一个功能，该功能可以为出生至90岁的任何亚人群生成条件图谱。研究人员可以登录网页，输入年龄，性别，疾病和其他参数，并获得按需的条件图集。 Dalca说：“那太好了，因为每个人都可以将这一功能作为一个通用的图集参考。”
医学成像之外的另一个潜在应用是运动训练。有人可以训练该功能来生成图集，例如，网球运动员的发球动作。然后，玩家可以将新的发球区与地图集进行比较，以准确查看他们保持正确形式的地方或出问题的地方。
达卡说：“如果您观看体育比赛，通常是评论员说他们注意到某人的状态是否与另一时间相比有所不同。” “但是你可以想象，它比这更定量。”