首页 » 新闻动态 >

机器学习算法将3D扫描的速度提高了1000倍

2021-08-15 09:50:39来源:

麻省理工学院的研究人员描述了一种机器学习算法,该算法可以使用新颖的学习技术将大脑扫描和其他3D图像的记录速度提高1000倍以上。由研究人员礼貌

医学图像配准是一种常见技术,涉及叠加两个图像(例如磁共振成像(MRI)扫描),以比较详细地比较和分析解剖结构差异。例如,如果患者患有脑肿瘤,医生可以将几个月前的脑部扫描叠加到最近的扫描中,以分析肿瘤进展中的细微变化。

但是,此过程通常需要两个小时或更长时间,因为传统系统会仔细地对齐组合扫描中可能存在的一百万个像素中的每个像素。麻省理工学院的研究人员在即将到来的两篇会议论文中描述了一种机器学习算法,该算法可以使用新颖的学习技术将大脑扫描和其他3-D图像的注册速度提高1000倍以上。

该算法通过在注册数千对图像的同时“学习”来工作。这样,它获取有关如何对齐图像的信息并估算一些最佳对齐参数。训练后,它使用这些参数一次将一个图像的所有像素映射到另一像素。使用普通计算机可以将注册时间减少到一分钟或两分钟,而使用GPU可以将注册时间减少到一秒以内,其精度可与最新系统媲美。

麻省理工学院计算机科学与人工智能实验室的研究生Guha Balakrishnan说:“对齐一对或另一对大脑MRI时,对齐大脑MRI的任务应该没什么不同。” CSAIL)和工程与计算机科学系(EECS)。“在进行对齐时,您应该能够保留一些信息。如果您能够从以前的图像配准中学到一些东西,则可以更快,更准确地完成新任务。”

这些论文将在本周举行的计算机视觉和模式识别会议(CVPR)以及9月举行的医学图像计算和计算机辅助干预会议(MICCAI)上进行介绍。合著者为:阿德里安·达尔卡(Adrian Dalca),马萨诸塞州综合医院和CSAIL的博士后;赵SA(Amy Zhao),CSAIL的研究生; Mert R. Sabuncu,前CSAIL博士后,现为康奈尔大学教授;麻省理工学院电气工程学的Dugald C. Jackson教授约翰·古塔格(John Guttag)。

保留信息

MRI扫描基本上是数百个堆叠的2D图像,形成大量的3D图像(称为“体积”),其中包含一百万个或更多的3D像素(称为“体素”)。因此,将第一个体积中的所有体素与第二个体积中的所有体素对齐非常耗时。此外,扫描可以来自不同的机器,并且具有不同的空间方向,这意味着匹配的体素在计算上更加复杂。

“您有两个不同大脑的两个不同图像,将它们放在彼此的顶部,然后开始摆动一个,直到一个适合另一个。从数学上讲,这种优化过程需要很长时间。” CVPR论文的高级作者兼MICCAI论文的主要作者Dalca说。

当分析来自大量人口的扫描时,此过程特别缓慢。例如,神经科学家分析数百名患有特定疾病或状况的患者的大脑结构变化可能需要数百小时。

那是因为这些算法有一个主要缺陷:他们从不学习。每次注册后,他们都会删除与体素位置有关的所有数据。Balakrishnan说:“从本质上讲,它们是从新给出的一对图像开始的。”“进行100次注册后,您应该已经从对齐中学到了一些东西。这就是我们所利用的。”

研究人员的算法称为“ VoxelMorph”,由卷积神经网络(CNN)驱动,这是一种通常用于图像处理的机器学习方法。这些网络由许多节点组成,这些节点跨多个计算层处理图像和其他信息。

在CVPR论文中,研究人员在7,000种MRI大脑公共扫描中训练了他们的算法,然后在250次其他扫描中对其进行了测试。

在训练期间,将脑部扫描成对输入算法中。该方法使用CNN和经过修改的称为空间变换器的计算层,可以捕获一个MRI扫描中的体素与另一扫描中的体素的相似性。通过这样做,该算法将学习有关体素组的信息,例如两个扫描共有的解剖形状,并用于计算可应用于任何扫描对的优化参数。

当进行两次新扫描时,简单的数学“函数”将使用这些优化的参数来快速计算两次扫描中每个体素的精确对齐。简而言之,该算法的CNN组件会在训练过程中获得所有必要的信息,因此,在每次新注册期间,都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,他们的算法可以在两分钟之内使用传统的中央处理器,在不到一秒钟的时间内使用图形处理单元,准确地记录其250项测试的脑部扫描(在训练集之后进行记录)。

重要的是,该算法是“无监督的”,这意味着除图像数据外,它不需要其他信息。一些注册算法合并了CNN模型,但需要“基本事实”,这意味着首先运行另一种传统算法来计算准确的注册。研究人员的算法在没有该数据的情况下仍能保持其准确性。

Balakrishnan说,MICCAI论文开发了一种改进的VoxelMorph算法,“算法说明了我们对每次注册的确定程度”。它还保证了配准的“平滑度”,这意味着它不会在合成图像中产生褶皱,孔眼或一般失真。该论文提出了一种数学模型,该模型使用一种称为Dice分数的东西来验证算法的准确性,Dice分数是一种评估重叠图像准确性的标准指标。改进的VoxelMorph算法在17个大脑区域中的准确性与常用的最先进的配准算法相同,同时提供了运行时间和方法方面的改进。

超越大脑扫描

研究人员说,这种快速算法除了分析脑部扫描外,还具有广泛的潜在应用。例如,麻省理工学院的同事目前正在对肺部图像运行该算法。

该算法还可以为操作期间的图像配准铺平道路。当前在某些手术之前或期间,使用了不同质量和速度的各种扫描。但是这些图像要等到操作后才能注册。例如,切除脑瘤时,外科医生有时会在手术前后对患者的大脑进行扫描,以查看他们是否切除了所有肿瘤。如果还剩下一点,他们就会回到手术室。

Dalca说,借助新算法,外科医生可以潜在地近乎实时地记录扫描结果,从而更加清晰地了解其进展情况。他说:“今天,它们在手术过程中无法真正重叠图像,因为这需要两个小时,而且手术正在进行中。”“但是,如果只花一秒钟,您可以想象它是可行的。”