Medische beeldregistratie is een veelgebruikte techniek waarbij twee beelden over elkaar worden gelegd, zoals magnetische resonantie beeldvorming (MRI) scans, om anatomische verschillen tot in detail te vergelijken en te analyseren. Als een patiënt een hersentumor heeft, bijvoorbeeld, artsen kunnen een hersenscan van enkele maanden geleden overlappen met een recentere scan om kleine veranderingen in de voortgang van de tumor te analyseren.

Dit proces, echter, kan vaak twee uur of langer duren, aangezien traditionele systemen elk van potentieel een miljoen pixels in de gecombineerde scans minutieus uitlijnen. In een paar komende conferentiepapers, MIT-onderzoekers beschrijven een machine learning-algoritme dat hersenscans en andere 3D-beelden van meer dan 1 kan registreren. 000 keer sneller met behulp van nieuwe leertechnieken.

Het algoritme werkt door te "leren" terwijl het duizenden paren afbeeldingen registreert. Daarbij, het verwerft informatie over het uitlijnen van afbeeldingen en schat een aantal optimale uitlijningsparameters. Na het trainen, het gebruikt die parameters om alle pixels van de ene afbeelding aan de andere toe te wijzen, alles in een keer. Dit vermindert de registratietijd tot een minuut of twee met een normale computer, of minder dan een seconde bij gebruik van een GPU met een nauwkeurigheid die vergelijkbaar is met state-of-the-art systemen.

"De taken van het uitlijnen van een hersen-MRI zouden niet zo verschillend moeten zijn als je een paar hersen-MRI's of een ander uitlijnt, " zegt co-auteur van beide artikelen Guha Balakrishnan, een afgestudeerde student in MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) en Department of Engineering and Computer Science (EECS). "Er is informatie die u zou moeten kunnen meenemen in hoe u de uitlijning uitvoert. Als u iets kunt leren van eerdere beeldregistratie, je kunt een nieuwe taak veel sneller en met dezelfde nauwkeurigheid uitvoeren."

De papers worden gepresenteerd op de Conference on Computer Vision and Pattern Recognition (CVPR), deze week gehouden, en op de Medical Image Computing and Computer Assisted Interventions Conference (MICCAI), september gehouden. Co-auteurs zijn:Adrian Dalca, een postdoc bij het Massachusetts General Hospital en CSAIL; Amy Zhao, een afgestudeerde student in CSAIL; Mert R. Sabuncu, een voormalig CSAIL-postdoc en nu een professor aan de Cornell University; en John Guttag, de Dugald C. Jackson Professor in Electrical Engineering aan het MIT.

Informatie bewaren

MRI-scans zijn in feite honderden gestapelde 2D-beelden die enorme 3D-beelden vormen, genaamd "volumes, " met een miljoen of meer 3D-pixels, "voxels" genoemd. Daarom, het is erg tijdrovend om alle voxels in het eerste volume op één lijn te brengen met die in het tweede. Bovendien, scans kunnen afkomstig zijn van verschillende machines en verschillende ruimtelijke oriëntaties hebben, wat betekent dat het matchen van voxels nog ingewikkelder is.

"Je hebt twee verschillende afbeeldingen van twee verschillende hersenen, leg ze op elkaar, en je begint te wiebelen totdat de een in de ander past. wiskundig, deze optimalisatieprocedure duurt lang, " zegt Dalca, senior auteur van de CVPR-paper en hoofdauteur van de MICCAI-paper.

Dit proces wordt bijzonder traag bij het analyseren van scans van grote populaties. Neurowetenschappers die variaties in hersenstructuren analyseren bij honderden patiënten met een bepaalde ziekte of aandoening, bijvoorbeeld, kan mogelijk honderden uren duren.

Dat komt omdat die algoritmen één grote fout hebben:ze leren nooit. Na elke aanmelding wordt ze negeren alle gegevens met betrekking tot de voxellocatie. "Eigenlijk, ze beginnen helemaal opnieuw met een nieuw paar afbeeldingen, " Zegt Balakrishnan. "Na 100 registraties, je had iets van de uitlijning moeten leren. Dat is waar we gebruik van maken."

Het algoritme van de onderzoekers, genaamd "VoxelMorph, " wordt aangedreven door een convolutioneel neuraal netwerk (CNN), een machine learning-benadering die vaak wordt gebruikt voor beeldverwerking. Deze netwerken bestaan ​​uit vele knooppunten die beeld- en andere informatie verwerken over verschillende berekeningslagen heen.

In de CVPR-paper, de onderzoekers trainden hun algoritme op 7, 000 openbaar beschikbare MRI-hersenscans en vervolgens getest op 250 extra scans.

Tijdens de training, hersenscans werden in paren in het algoritme ingevoerd. Met behulp van een CNN en gemodificeerde rekenlaag, een ruimtelijke transformator genaamd, de methode legt overeenkomsten van voxels in de ene MRI-scan vast met voxels in de andere scan. Daarbij, het algoritme leert informatie over groepen voxels - zoals anatomische vormen die beide scans gemeen hebben - die het gebruikt om geoptimaliseerde parameters te berekenen die op elk scanpaar kunnen worden toegepast.

Wanneer twee nieuwe scans worden ingevoerd, een eenvoudige wiskundige "functie" gebruikt die geoptimaliseerde parameters om snel de exacte uitlijning van elke voxel in beide scans te berekenen. Kortom, de CNN-component van het algoritme verkrijgt alle noodzakelijke informatie tijdens de training, zodat, bij elke nieuwe registratie, de gehele registratie kan worden uitgevoerd met één, eenvoudig berekenbare functie-evaluatie.

De onderzoekers ontdekten dat hun algoritme al hun 250 testhersenscans, die na de trainingsset waren geregistreerd, binnen twee minuten nauwkeurig kon registreren met behulp van een traditionele centrale verwerkingseenheid. en in minder dan een seconde met behulp van een grafische verwerkingseenheid.

belangrijk, het algoritme is "zonder toezicht, " wat betekent dat er geen aanvullende informatie nodig is naast beeldgegevens. Sommige registratie-algoritmen bevatten CNN-modellen, maar vereisen een "grondwaarheid, " wat betekent dat eerst een ander traditioneel algoritme wordt uitgevoerd om nauwkeurige registraties te berekenen. Het algoritme van de onderzoekers behoudt zijn nauwkeurigheid zonder die gegevens.

De MICCAI-paper ontwikkelt een verfijnd VoxelMorph-algoritme dat "zegt hoe zeker we zijn over elke registratie, " zegt Balakrishnan. Het garandeert ook de registratie "gladheid, " wat betekent dat het geen vouwen produceert, gaten, of algemene vervormingen in het samengestelde beeld. Het artikel presenteert een wiskundig model dat de nauwkeurigheid van het algoritme valideert met behulp van iets dat een dobbelsteenscore wordt genoemd, een standaardmetriek om de nauwkeurigheid van overlappende afbeeldingen te evalueren. In 17 hersengebieden, het verfijnde VoxelMorph-algoritme scoorde dezelfde nauwkeurigheid als een veelgebruikt state-of-the-art registratie-algoritme, while providing runtime and methodological improvements.

Beyond brain scans

The speedy algorithm has a wide range of potential applications in addition to analyzing brain scans, zeggen de onderzoekers. MIT colleagues, bijvoorbeeld, are currently running the algorithm on lung images.

The algorithm could also pave the way for image registration during operations. Various scans of different qualities and speeds are currently used before or during some surgeries. But those images are not registered until after the operation. When resecting a brain tumor, bijvoorbeeld, surgeons sometimes scan a patient's brain before and after surgery to see if they've removed all the tumor. If any bit remains, they're back in the operating room.

With the new algorithm, Dalca says, surgeons could potentially register scans in near real-time, getting a much clearer picture on their progress. "Today, they can't really overlap the images during surgery, because it will take two hours, and the surgery is ongoing" he says. "However, if it only takes a second, you can imagine that it could be feasible."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.