机器学习算法比较3D扫描快速速度高达1,000次

新算法更快地分析医学图像

麻省理工学院研究人员描述了一种机器学习算法,可以使用小说学习技术将大脑扫描和其他3-D图像注册超过1000倍。由研究人员提供

医学图像配准是一种常见的技术,涉及覆盖两个图像,例如磁共振成像(MRI)扫描,以非常详细地比较和分析解剖学差异。例如,如果患者有脑肿瘤,例如,医生可以从几个月前重叠大脑扫描到更新的扫描,以分析肿瘤进展的小变化。

然而,这一过程通常可以需要两个小时或更长时间,因为传统系统在组合扫描中逐一对准每个潜在的百万像素。在一对即将到来的会议论文中,麻省理工学院研究人员描述了一种机器学习算法,可以使用新颖的学习技术将大脑扫描和其他3-D图像更快地注册1000多倍。

该算法在注册数千对图像的同时由“学习”工作。在这样做时,它获取有关如何对齐图像的信息并估计一些最佳对准参数。在培训之后,它使用这些参数将一个图像的所有像素映射到另一个图像。这将注册时间减少到一分钟或两个使用普通计算机,或者小于使用GPU具有可比较的GPU准确性到最先进的系统。

“The tasks of aligning a brain MRI shouldn’t be that different when you’re aligning one pair of brain MRIs or another,” says co-author on both papers Guha Balakrishnan, a graduate student in MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) and Department of Engineering and Computer Science (EECS). “There is information you should be able to carry over in how you do the alignment. If you’re able to learn something from previous image registration, you can do a new task much faster and with the same accuracy.”

论文正在呈现计算机视觉和模式识别会议(CVPR)本周举行,并在医学图像计算与计算机辅助干预措施会议(Miccai),9月举行。共同作者是:Adrian Dalca,Massachusetts综合医院和CSAIL的博士后;CSAIL的研究生艾米赵;Mert R. Sabuncu,前CSAIL POSTDOC和现在是康奈尔大学教授;John Guttag,Dugald C.杰克逊在麻省理工学院电气工程教授。

保留信息

MRI扫描基本上是数百个堆叠的2-D图像,形成了包含百万个或更多3-D像素的大规模的3-D图像,称为“卷”,称为“体素”。因此,将第一卷中的所有体素与第二卷对齐,这非常耗时。此外,扫描可以来自不同的机器并具有不同的空间取向,意味着匹配的体素甚至更加计算地复杂。

“你有两个不同的两种不同的大脑的图像,把它们彼此放在上面,然后你开始摆动一个,直到一个适合另一个。在数学上,这种优化程序需要很长时间,“CVPR纸上的高级作者Dalca说,麦克望纸上的主要作者。

在分析大群中的扫描时,此过程变得特别慢。例如,神经科学分子分析数百名特定疾病或病症的脑结构的变化可能需要花费数百小时。

那是因为这些算法有一个主要的缺陷:他们从不学习。每次注册后,他们会忽略与体素位置有关的所有数据。“基本上,他们从头开始给出了一对新的图像,”Balakrishnan说。“100次注册后,您应该从对齐中学到一些东西。这就是我们的利用。“

研究人员算法称为“Voxelmorph,”由卷积神经网络(CNN)提供动力,该机器学习方法通​​常用于图像处理。这些网络由许多节点组成,该节点处理跨多个计算层的图像和其他信息。

在CVPR论文中,研究人员在7,000名公共MRI脑扫描上培训了他们的算法,然后在250次额外扫描上进行了测试。

在培训期间,脑扫描成对送入算法。使用称为空间变压器的CNN和修改的计算层,该方法在另一扫描中使用体素捕获一个MRI扫描中体素的相似性。在这样做时,该算法学习有关体素组的信息 - 例如两次扫描共同的解剖结构 - 它用于计算可以应用于任何扫描对的优化参数。

当补充两个新扫描时,一个简单的数学“函数”使用这些优化的参数来快速计算两个扫描中每个体素的确切对齐。简而言之,算法的CNN组件在训练期间获得了所有必要的信息,以便在每个新的注册期间,可以使用一个易于计算的功能评估来执行整个注册。

研究人员发现其算法可以准确地注册其所有250个测试大脑扫描 - 在训练集之后注册的那些 - 在两分钟内使用传统的中央处理单元,并且在一秒钟内使用图形处理单元。

重要的是,该算法是“无监督”,这意味着它不需要超越图像数据的附加信息。一些注册算法包含CNN模型,但需要“基础事实”,这意味着另一种传统算法首先运行以计算精确的注册。研究人员的算法在没有该数据的情况下保持其准确性。

Miccai Paper开发了一种精致的VoxelMorph算法,“说我们有多么确定每个注册,”Balakrishnan说。它还保证了注册“平滑度”,这意味着它不会产生复合图像中的折叠,孔或一般扭曲。本文提出了一种数学模型,验证算法的准确性,使用称为骰子得分,标准度量来评估重叠图像的准确性。在17个脑区域中,精制的voxelmorph算法将与常用的最先进的登记算法相同的准确度,同时提供运行时和方法改进。

超越大脑扫描

研究人员说,除了分析大脑扫描外,Speedy算法还具有广泛的潜在应用。例如,MIT同事目前正在运行肺图像上的算法。

该算法还可以在操作期间为图像配准的方式铺平道路。目前在一些手术之前或期间使用不同品质和速度的各种扫描。但是在操作之后,这些图像不会注册。例如,当脑肿瘤切断脑肿瘤时,外科医生有时会在手术前后扫描患者的大脑,看看是否已经取消了所有的肿瘤。如果有任何一点,他们回到手术室。

随着新算法,DALCA表示,外科医生可能会在近实时注册扫描,在他们的进展中获得更清晰的图片。“今天,他们无法在手术期间真正重叠图像,因为它需要两个小时,手术正在进行”他说。“但是,如果只需要一秒钟,你可以想象它可能是可行的。”

1条评论在“机器学习算法上比较3D扫描速度快到1000次”

  1. Kamir Bouchareb St.|6月11日,2020年7:45 AM|回复

    好的文章

发表评论

电子邮件地址是可选的。如果提供的话,您的电子邮件不会发布或共享。