Penyelidik MIT ada membina algoritma pembelajaran komputer yang boleh mendaftar imbasan MRI dan imej 3D lain, dan bandingkan dan menganalisisnya dalam masa beberapa saat.
Ini mengurangkan runtime tradisional dua jam atau lebih sehingga satu saat.
Pencitraan perubatan, termasuk imbasan MRI dan CT, bukan hanya satu kejayaan perubatan, yang membolehkan para doktor untuk membandingkan dengan teliti dan menganalisis perbezaan anatomi, tetapi juga perniagaan global gergasi dengan hampir $ 50 bilion yang dibelanjakan untuk hampir 40 juta imbasan setiap tahun di AS sahaja.
Walau bagaimanapun, teknologi yang digunakan secara meluas ini memakan masa sehingga dua jam atau lebih, melambatkan penyelidikan klinikal dan mengehadkan aplikasi berpotensi lain.
"Algoritma tradisional untuk pendaftaran imej perubatan secara perlahan melambatkan, menjadikannya tidak mungkin digunakan dalam banyak tetapan klinikal," katanya. Adrian Dalca, pengarang bersama dan rakan pasca doktoral di Massachusetts General Hospital dan Sains Komputer MIT dan Makmal Perisikan Buatan (CSAIL), dan Guha Balakrishnan, pengarang bersama dan seorang pelajar siswazah di CSAIL dan Jabatan Kejuruteraan dan Sains Komputer (EECS).
Kedua-dua kertas kerja yang menerangkan algoritma pembelajaran mereka ialah dibentangkan pada Persidangan 2018 mengenai Visi dan Pengiktirafan Pola Komputer (CVPR) minggu lepas, dan akan dibentangkan pada Persidangan Antarabangsa 21st mengenai Pengkomputeran Imej Perubatan dan Intervensi Bantuan Komputer (MICCAI) di Sepanyol, Sept. 16-20.
Mengapa ia mengambil masa yang lama?
Dalam imbasan MRI, beratus-ratus gambar 2-D disusun membentuk imej 3D yang besar, yang dipanggil "jilid," yang mengandungi satu juta atau lebih piksel 3D, dipanggil "voxel."
Sebagai contoh, ketika mengimbas otak, teknik menghasilkan banyak "Xices" 2-D yang digabungkan untuk membentuk perwakilan 3D otak.
Inilah sebabnya mengapa ia mengambil masa yang lama untuk menyelaraskan semua vokal dalam imbasan pertama dengan yang kedua. Proses ini dibuat lebih mencabar apabila imbasannya dari mesin yang berbeza, dan menjadi sangat lambat apabila menganalisis imbasan dari populasi besar.
Dalam kes-kes di mana doktor perlu belajar tentang variasi dalam struktur otak di seluruh beratus-ratus pesakit dengan penyakit atau keadaan tertentu, pemindaian sahaja boleh berpotensi mengambil beratus-ratus jam.
"Anda mempunyai dua imej yang berbeza dari dua otak yang berbeza, meletakkan mereka di atas satu sama lain, dan anda mula menyeret satu hingga satu sesuai dengan yang lain. Matematik, prosedur pengoptimuman ini memerlukan masa yang lama, "kata Dalca dalam satu kenyataan.
Walau bagaimanapun, bukannya bermula dari awal apabila diberi sepasang imej baru, para penyelidik tertanya-tanya apa yang akan berlaku jika algoritma itu dipelajari dari imbasan terdahulu.
"Selepas pendaftaran 100, anda sepatutnya belajar sesuatu dari penyelarasan. Itulah yang kita leverage, "kata Balakrishnan dalam satu kenyataan.
Algoritma yang belajar
Algoritma mesin pembelajaran baru, yang dikenali sebagai "VoxelMorph," dikuasakan oleh rangkaian saraf convolutional (CNN), pendekatan pembelajaran komputer yang biasa digunakan untuk pemprosesan imej.
Rangkaian ini terdiri daripada banyak nod yang memproses imej dan maklumat lain di beberapa lapisan perhitungan.
Para penyelidik melatih VoxelMorph di 7,000 untuk mendapatkan imbasan otak MRI secara terbuka.
Semasa latihan, VoxelMorph mencatatkan ribuan pasang gambar imbasan otak. Komponen CNN dan pengubah ruang, lapisan komputasi yang diubahsuai, mempelajari semua maklumat yang diperlukan mengenai cara menjajarkan imej dengan menangkap kumpulan vokal yang sama dalam setiap pasangan imbasan MRI, seperti bentuk anatomi biasa untuk kedua-dua imbasan.
Kemudian, apabila memakan dua imbasan baru, VoxelMorph menggunakan parameter yang dianggarkan semasa latihan untuk dengan cepat mengira penjajaran tepat setiap voxel dalam imbasan baru.
Singkatnya, komponen CNN algoritma memperoleh semua maklumat yang perlu semasa latihan supaya, semasa setiap pendaftaran baru, keseluruhan pendaftaran boleh dijalankan menggunakan satu, penilaian fungsi mudah dikira.
"Tugas menyelaraskan MRI otak tidak sepatutnya berbeza apabila anda menjajarkan sepasang MRI otak atau yang lain," kata Balakrishnan dalam satu kenyataan.
"Terdapat maklumat yang anda harus dapat mengatasi bagaimana anda melakukan penjajaran. Jika anda dapat belajar sesuatu dari pendaftaran imej terdahulu, anda boleh melakukan tugas baru dengan lebih cepat dan dengan ketepatan yang sama. "
Tidak seperti beberapa algoritma lain yang juga menggabungkan model CNN tetapi memerlukan satu lagi algoritma untuk dijalankan terlebih dahulu untuk mengira pendaftaran yang tepat, VoxelMorph adalah "tanpa pengawasan," yang bermaksud ia hanya memerlukan data imej untuk mengira pendaftaran yang tepat.
Hasilnya
Diuji pada imbasan tambahan 250, VoxelMorph mendaftarkan semuanya dengan cepat dalam masa dua minit menggunakan unit pemprosesan pusat tradisional (CPU), dan dalam satu detik menggunakan unit pemprosesan grafik (GPU).
"Dalam ujian awal dan penerbitan kami, kami memproses sebilangan besar imej penyelidikan, untuk membantu mendapatkan gambaran tentang penyakit. Dalam senario ini, runtuhan VoxelMorph yang dipendekkan boleh memberi impak secara mendadak analisis, "kata Dalca dan Balakrishnan.
Kemudian, penyelidik terus memperincikan algoritma VoxelMorph, jadi ia menjamin "kelancaran" setiap pendaftaran, yang bermaksud ia tidak menghasilkan lipatan, lubang, atau gangguan umum dalam imej komposit.
Para penyelidik menggunakan model matematik, yang dikenali sebagai skor Dice, metrik standard untuk menilai ketepatan imej bertindih, untuk mengesahkan ketepatan algoritma.
Mereka mendapati bahawa, di seluruh kawasan otak 17, VoxelMorph yang ditapis mencatatkan ketepatan yang sama sebagai algoritma pendaftaran terkini yang biasa digunakan, sambil menyediakan penambahbaikan runtime dan metodologi.
Langkah seterusnya
Selain menganalisis imbasan otak, VoxelMorph membolehkan pelbagai penyelidikan dan aplikasi baru.
Sekurang-kurangnya, VoxelMorph membolehkan penjagaan yang lebih berkesan untuk pesakit. Doktor kini boleh dengan cepat menjajarkan imej perubatan pesakit tertentu yang diambil sebelum dan selepas pembedahan atau rawatan untuk menilai kesan prosedur.
"Sedangkan kaedah sebelumnya melambatkan secara perlahan, runtuhan VoxelMorph pendek menjanjikan untuk membolehkan perbandingan ini sebaik sahaja imbasan diperoleh," kata Dalca dan Balakrishnan. "Ini adalah hala tuju masa depan untuk kita."
Selain itu, VoxelMorph boleh membuka jalan untuk pendaftaran imej semasa operasi.
Saat ini, ketika mengendalikan tumor otak, para ahli bedah harus terlebih dahulu mengimbas otak pesakit sebelum dan menunggu sampai setelah operasi untuk melihat apakah mereka telah menghilangkan semua tumor. Jika penyingkiran tidak lengkap, mereka perlu kembali ke bilik operasi.
VoxelMorph, bagaimanapun, mempunyai keupayaan untuk mendaftar imbasan dalam masa nyata, jadi pakar bedah dapat mempunyai gambaran yang lebih jelas mengenai kemajuan mereka.
"Hari ini, mereka tidak boleh benar-benar tumpang tindih imej semasa pembedahan, kerana ia akan mengambil masa dua jam, dan pembedahan berterusan," kata Dalca dalam satu kenyataan. "Bagaimanapun, jika ia hanya mengambil masa yang kedua, anda boleh bayangkan ia boleh dilaksanakan."
Pada masa ini, penyelidik menjalankan algoritma pada imej paru-paru. Dan mereka berharap dapat melihat peningkatan selanjutnya.
"Kami sedang berusaha untuk menilai hasil penjajaran imej secara automatik untuk membantu pakar klinikal memahaminya di mana terdapat patologi, mendaftarkan imbasan klinikal strok berkualiti rendah yang datang dari hospital, dan menyelaraskan imej paru-paru untuk pesakit yang mengalami penyakit paru-paru," kata Dalca dan Balakrishnan .
