源之原味

 

这篇文章来自 nvidia.com。原始 url 是: https://blogs.nvidia.com/blog/2018/08/08/brain-mris-comparison/

以下内容由机器翻译生成。如果您觉得可读性不好, 请阅读原文或 点击这里.

在三赛季的 "办公室" 里狂欢会让你觉得你的大脑已经变成了糊状。但在现实中, 大脑总是相当的糊状和可塑性-使神经外科比它听起来更困难。

为了衡量他们的成功, 脑外科医生比较在手术前后进行的 MRI 扫描, 以确定肿瘤是否已完全切除。

这个过程需要时间, 所以如果 MRI 正在进行中手术, 医生必须用眼睛比较扫描。但是大脑在手术过程中会发生变化, 这使得任务很难完成, 但同样重要。

寻找一种更快的方法来比较 MRI 扫描可以帮助医生更好地治疗脑肿瘤。为此, 一组麻省理工学院的研究人员想出了一个 深层学习解决方案 在一秒钟内比较脑磁共振成像。

这可以帮助外科医生检查手术成功在近实时的过程中与 术中 MRI.它还可以帮助肿瘤学家通过比较一个病人在几个月或几年的核磁共振成像来快速分析肿瘤对治疗的反应。

当像素对齐时

将两个 MRI 扫描放在一起需要一个机器学习算法, 使原始3D 扫描中的每个像素与另一个扫描中的相应位置匹配。这是不容易做一个很好的工作, 目前的最先进的算法需要两个小时来对齐脑扫描。

这太长了, 不能用于手术设置。当医院或研究人员想分析数以千计或成百上千的扫描来分析疾病模式时, 这也不现实。

麻省理工学院博士后研究员古哈 Balakrishnan 说: "对于一个图像中的每个像素, 传统的算法需要在其他图像中找到近似位置, 而解剖结构是相同的。"这些算法需要大量的迭代."

使用神经网络, 而不是通过增加学习来加速过程。研究人员 无监督算法VoxelMorph, 从未标记对的 MRI 扫描中学习, 快速确定哪些大脑结构和特征看起来像和匹配图像。使用一个 NVIDIA 泰坦 X GPU, 这一推断工作需要大约一秒钟来对齐扫描, 与 CPU 上的一分钟比较。

研究人员利用一种称为基于阿特拉斯的注册方法, 在来自公共来源的大约7000个 MRI 扫描数据集上训练了神经网络。这个过程将每个训练图像与一个参考磁共振成像扫描, 一个理想的或平均图像称为地图集。

该团队正在与 马萨诸塞州总医院 对数据库中数以百万计的扫描进行回顾性研究。

麻省理工学院博士后研究员艾利安 Dalca 说: "一项为期两天的实验将在几秒钟内完成。"这使一个新的研究世界, 对齐只是一个小步骤。

研究人员正在努力提高他们的深层学习模式在低质量的扫描, 包括噪音的性能。这是扫描对齐工作在临床设置中的关键。

研究数据集包括良好的, 干净的扫描, 病人谁等待很长一段时间在 MRI 机为高质量的图像。但 "如果有人中风, 你希望最快的图像成为可能," Dalca 说。"这是一个不同的质量扫描。

该小组将提出一个 新论文 这次秋天在医学影像会议 MICCAI。Balakrishnan 还在开发一种使用半监督学习的算法的变体, 将少量标记的数据与其他未标记的训练数据集结合在一起。他发现, 该模型可以提高神经网络的精度 8%, 使其性能高于传统的、较慢的算法。

Balakrishnan 说, 除了脑部扫描, 这种对准解决方案还有可能应用于其他医学图像, 如心脏和肺部 CT 扫描, 甚至超声波, 尤其是噪音。"我认为在某种程度上, 它是无限的。

Leave A Reply

Your email address will not be published.