準確率達80％！英偉達研究人員開發AI系統 可對腦癌進行合成掃描

人工智慧(AI)系統從建築的角度來看是多種多樣的，但它們共有一個共同的組成部分：數據集。問題是，大樣本量通常是準確性的必然條件(谷歌的子公司DeepMind最先進的診斷系統需要來自7,500名患者的15,000次掃描)，並且有些數據集比其他數據集更難找到。

來自英偉達、梅奧診所，以及MGH和BWH臨床數據科學中心的研究人員相信他們已經提出了解決問題的方法：一個本身產生訓練數據的神經網路，具體來說，就是腦部有癌性腫瘤的合成三維磁共振圖像(MRI)。他們近日在西班牙格拉納達舉行的醫學圖像計算和計算機輔助干預會議上發表的論文(「使用生成性對抗網路進行數據增強和匿名化的醫學圖像合成」)中進行了描述。

「我們首次表明，可以生成可用於訓練神經網路的大腦圖像。」英偉達的高級研究科學家，該論文的第一作者Hu Chang在電話採訪中告訴VentureBeat。

AI系統是使用Facebook的PyTorch深度學習框架開發並在英偉達DGX平台上訓練的，它利用了一般的對抗網路(GAN) —— 一個由生成樣本的發生器和鑒別器組成的兩部分神經網路，試圖區分生成的樣本和現實樣本 —— 創建可靠的腦異常核磁共振成像。

該團隊採購了兩個公開可用的數據集 —— 阿爾茨海默氏病神經影像學計劃(ADNI)和多模式腦腫瘤圖像分割基準(BRATS) —— 來訓練GAN，並將20%的BRATS 264研究用於性能測試。內存和計算限制迫使團隊將掃描的解析度從256 x 256 x 108降至128 x 128 x 54，但他們使用原始圖像進行比較。

從ADNI獲得圖像的生成器，學習了合成腦部掃描(包括白質、灰質和腦脊髓液)。接下來，當在BRATS數據集上釋放時，它會生成帶有腫瘤的完整分割。

GAN對掃描進行了注釋，而這項任務一般要耗費人類專家團隊工作數小時。並且因為它將大腦和腫瘤解剖學視為兩個不同的標籤，它允許研究人員改變腫瘤的大小和位置，或者將其「移植」到健康大腦的掃描中。

「有條件的GAN非常適合這種情況。」Chang說。 「[它可以]消除患者的隱私問題[因為]生成的圖像是匿名的。」

當團隊使用由GAN產生的真實腦部掃描和合成腦部掃描的組合訓練機器學習模型時，其實現了80%的準確性，比僅在實際數據上訓練的模型好14%。

「我們向許多放射科醫生展示這個系統，他們對此表現非常興奮。」Chang說，「他們想用它來生成更多罕見疾病的例子。」

Chang說，未來的研究將使用更高解析度的訓練圖像和更大的數據集，來調查不同患者群體。 模型的改進版本可能會縮小腫瘤周圍的邊界，使它們看起來不會「疊加」。

這不是英偉達研究人員第一次使用GAN轉換腦部掃描。 今年夏天，他們演示了一個可以將CT掃描轉換為2D MRI的系統，以及另一個可以在同一場景中以快速精確對齊兩個或多個MRI圖像的系統。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！