模型快速生成用于医学图像分析的脑扫描模板

利用他们的模型，研究人员能够产生各种年龄的按需大脑扫描模板（图为图示），可用于医学图像分析以指导疾病诊断。

麻省理工学院研究人员设计了一种方法，可以加速创建和定制医学图像分析中使用的模板的过程，以引导疾病诊断。

一种医学图像分析的使用是患者医学图像的紧缩数据集，并捕获可能表明疾病进展的结构关系。在许多情况下，分析需要使用称为“阿特拉斯”的常见图像模板，这是给定患者群体的平均表示。atlases作为比较的参考，例如，以识别脑结构随时间的临床显着变化。

建立模板是一种耗时，费力的过程，通常需要几天或几周来产生，特别是在使用3D脑扫描时。为了节省时间，研究人员经常下载以前由研究组生成的公开的地图集。但是那些没有完全捕捉到杀虫数据集或特定群体的关注，例如具有新疾病或幼儿的群体。最终，Atlas无法顺利映射到异常值图像上，产生差的结果。

在12月份神经信息处理系统会议上介绍的论文中，研究人员描述了一种自动化的机器学习模型，该模型基于特定的患者属性，例如年龄，性别和疾病，生成“条件”地图集。通过从整个数据集中利用共享信息，该模型还可以从数据集中可以完全丢失的患者子位源合成actlase。

“世界需要更多的地图集，”计算机科学和人工智能实验室（CSAIL）的前博士（CSAIL）第一作者Adrian Dalca及其在哈佛医学院和马萨诸塞州综合医院的放射学中的教师。“atlases是许多医学图像分析的核心。这种方法可以建立更多的更多，也可以构建条件。“

加入达拉卡在纸上是玛丽安·拉克，即Csail的访问研究员; John Guttag，Dugald C.杰克逊计算机科学与电气工程教授，以及CSAIL的数据驱动推断组负责人;康奈尔大学的Mert R. Sabuncu。

同时对齐和atlases

传统的图和建筑方法在数据集中的所有图像上运行冗长的迭代优化进程。它们对齐，例如，所有的3D大脑都扫描初始（通常模糊）的地图集，并从对齐的扫描计算新的平均图像。他们重复所有图像的迭代过程。这计算了最终的ATLA，最小化数据集中所有扫描的程度必须变形以匹配ATLA。如果没有足够的数据可用，则执行此过程的患者亚步骤可能是复杂的并且不精确的。

将图册映射到新扫描生成“变形字段”，其表征了两个图像之间的差异。这捕获了结构变体，然后可以进一步分析。例如，在脑扫描中，结构变化可能是由于疾病的不同阶段的组织变性。

在以前的工作中，DALCA和其他研究人员开发了一个神经网络，可以快速对准这些图像。部分地，这有助于加快传统的地图集建设过程。“我们说，'为什么我们不能在学习同时对准图像时建立条件的地图集？'”达尔卡说。

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图表，另一个 - 从先前的研究组合起作用 - 同时将该Atlas对齐数据集中的图像。

在训练中，联合网络从使用期望的患者属性编码的数据集中馈送随机图像。从中，它估计属性条件的阿特拉斯。第二网络将估计的图集与输入图像对齐，并生成变形字段。

为每个图像对生成的变形字段用于训练“损耗函数”，机器学习模型的组件，其有助于最小化与给定值的偏差。在这种情况下，该功能专门学习以最小化学习的地图集和每个图像之间的距离。网络连续地改进图表将其平滑地对齐到数据集中的任何给定图像。

按需atlases

最终结果是一种函数，了解了特定属性，例如年龄，与数据集中所有图像中的结构变化相关联。通过将新的患者属性插入函数，它利用数据集中的所有学习信息，以合成按需atlas - 即使该属性数据丢失或在数据集中稀缺。

说某人希望来自数据集的一个45岁女性患者的大脑扫描阿特拉斯，其中包含30至90岁的患者的信息，但为40至50岁的女性的数据很少。该功能将分析大脑在30至90岁之间变化的模式，并包含该年龄和性别的一点数据。然后，它将为所需年龄的女性产生最具代表性的地图集。在他们的论文中，研究人员通过为各个年龄组产生的条件模板从15到90生成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自己，潜在的小型数据集中快速构建自己的地图集。DALCA目前正在与马萨诸塞州综合医院的研究人员合作，以利用儿科大脑扫描的数据集，为年幼的儿童产生条件的地图集，这很难通过。

一个大梦想是建立一个可以为任何贫民区生成条件的地图集的一个功能，跨越90岁。研究人员可以登录网页，输入年龄，性别，疾病和其他参数，并获得按需条件的地图集。“这会很棒，因为每个人都可以将这个功能称为单一的通用图案参考，”Dalca说。

除医学成像之外的另一个潜在应用是运动训练。有人可以训练这个功能来为网球运动员的服务动作产生一个地图集。然后，播放器可以比较新的服务对地图集，以便准确地看到它们保持适当的形式或事物出错的地方。

“如果你看运动，那通常评论者说，如果某人的形式与另一个时间相比，他们注意到他们注意到，”Dalca说。“但是你可以想象它可能比这更具量化。”

参考：“学习有条件可变形模板与卷积网络”由Adrian Dalca，Marianne Rakic，John Guttag和Mert Sabuncu，神经信息处理系统（NIPS）。