MIT-onderzoekers hebben een methode ontwikkeld die het proces versnelt voor het maken en aanpassen van sjablonen die worden gebruikt in medische beeldanalyse, ziektediagnose te begeleiden.

Een gebruik van medische beeldanalyse is om datasets van medische beelden van patiënten te kraken en structurele relaties vast te leggen die de progressie van ziekten kunnen aangeven. Vaak, analyse vereist het gebruik van een gemeenschappelijk afbeeldingssjabloon, een "atlas" genoemd, " dat is een gemiddelde weergave van een bepaalde patiëntenpopulatie. Atlassen dienen als referentie voor vergelijking, bijvoorbeeld om klinisch significante veranderingen in hersenstructuren in de loop van de tijd te identificeren.

Het bouwen van een sjabloon is een tijdrovende, moeizaam proces, vaak dagen of weken nodig om te genereren, vooral bij gebruik van 3D-hersenscans. Tijd besparen, onderzoekers downloaden vaak openbaar beschikbare atlassen die eerder door onderzoeksgroepen zijn gegenereerd. Maar die geven niet volledig de diversiteit van individuele datasets of specifieke subpopulaties weer, zoals die met nieuwe ziekten of van jonge kinderen. uiteindelijk, de atlas kan niet soepel worden toegewezen aan uitschieters, slechte resultaten opleveren.

In een paper dat wordt gepresenteerd op de conferentie over neurale informatieverwerkingssystemen in december, de onderzoekers beschrijven een geautomatiseerd machine-learningmodel dat "voorwaardelijke" atlassen genereert op basis van specifieke patiëntkenmerken, zoals leeftijd, seks, en ziekte. Door gebruik te maken van gedeelde informatie uit een hele dataset, het model kan ook atlassen synthetiseren van subpopulaties van patiënten die mogelijk volledig ontbreken in de dataset.

"De wereld heeft meer atlassen nodig, " zegt eerste auteur Adrian Dalca, een voormalig postdoc in het Computer Science and Artificial Intelligence Laboratory (CSAIL) en nu een faculteitslid radiologie aan de Harvard Medical School en het Massachusetts General Hospital. "Atlassen staan ​​centraal in veel medische beeldanalyses. Met deze methode kunnen er veel meer worden gebouwd en ook voorwaardelijke."

Samen met Dalca op het papier staan ​​Marianne Rakic, een gastonderzoeker bij CSAIL; John Guttag, de Dugald C. Jackson hoogleraar computerwetenschappen en elektrotechniek en hoofd van de Data Driven Inference Group van CSAIL; en Mert R. Sabuncu van Cornell University.

Gelijktijdige uitlijning en atlassen

Traditionele methoden voor het maken van atlas duren lang, iteratieve optimalisatieprocessen op alle afbeeldingen in een dataset. Ze stemmen af, zeggen, alle 3D-hersenscans tot een eerste (vaak wazige) atlas, en bereken een nieuw gemiddeld beeld uit de uitgelijnde scans. Ze herhalen dit iteratieve proces voor alle afbeeldingen. Dit berekent een definitieve atlas die de mate minimaliseert waarin alle scans in de dataset moeten vervormen om overeen te komen met de atlas. Het uitvoeren van dit proces voor subpopulaties van patiënten kan complex en onnauwkeurig zijn als er niet genoeg gegevens beschikbaar zijn.

Het toewijzen van een atlas aan een nieuwe scan genereert een "vervormingsveld, " die de verschillen tussen de twee afbeeldingen kenmerkt. Dit legt structurele variaties vast, die vervolgens verder kunnen worden geanalyseerd. Bij hersenscans, bijvoorbeeld, structurele variaties kunnen te wijten zijn aan weefseldegeneratie in verschillende stadia van een ziekte.

In eerder werk, Dalca en andere onderzoekers ontwikkelden een neuraal netwerk om deze beelden snel op elkaar af te stemmen. Gedeeltelijk, dat hielp het traditionele proces van het maken van een atlas te versnellen. "We zeiden, "Waarom kunnen we geen voorwaardelijke atlassen bouwen terwijl we tegelijkertijd leren afbeeldingen uit te lijnen?", zegt Dalca.

Om dit te doen, de onderzoekers combineerden twee neurale netwerken:één netwerk leert automatisch een atlas bij elke iteratie, en een ander - aangepast aan het vorige onderzoek - lijnt die atlas tegelijkertijd uit met afbeeldingen in een dataset.

In opleiding, het gezamenlijke netwerk krijgt een willekeurig beeld van een dataset die is gecodeerd met de gewenste patiëntattributen. Van dat, het schat een attribuut-voorwaardelijke atlas. Het tweede netwerk lijnt de geschatte atlas uit met het invoerbeeld, en genereert een vervormingsveld.

Het vervormingsveld dat voor elk beeldpaar wordt gegenereerd, wordt gebruikt om een ​​"verliesfunctie, " een onderdeel van machine learning-modellen dat afwijkingen van een bepaalde waarde helpt minimaliseren. In dit geval de functie leert specifiek om afstanden tussen de geleerde atlas en elk beeld te minimaliseren. Het netwerk verfijnt de atlas voortdurend om deze naadloos af te stemmen op een bepaalde afbeelding in de dataset.

Atlassen op aanvraag

Het eindresultaat is een functie die geleerd heeft hoe specifieke attributen, zoals leeftijd, correleren met structurele variaties in alle afbeeldingen in een dataset. Door nieuwe patiëntattributen in de functie in te pluggen, het maakt gebruik van alle geleerde informatie uit de dataset om een ​​atlas op aanvraag samen te stellen, zelfs als die attribuutgegevens ontbreken of schaars zijn in de dataset.

Stel dat iemand een hersenscanatlas wil voor een 45-jarige vrouwelijke patiënt uit een dataset met informatie van patiënten van 30 tot 90 jaar, maar met weinig gegevens voor vrouwen van 40 tot 50 jaar. De functie analyseert patronen van hoe de hersenen veranderen tussen de 30 en 90 jaar en neemt de weinige gegevens op die er zijn voor die leeftijd en dat geslacht. Vervolgens, het zal de meest representatieve atlas produceren voor vrouwen van de gewenste leeftijd. In hun krant de onderzoekers hebben de functie geverifieerd door voorwaardelijke sjablonen te genereren voor verschillende leeftijdsgroepen van 15 tot 90.

De onderzoekers hopen dat clinici het model kunnen gebruiken om snel hun eigen atlassen te bouwen, mogelijk kleine datasets. Dalca werkt nu samen met onderzoekers van het Massachusetts General Hospital, bijvoorbeeld, een dataset van pediatrische hersenscans gebruiken om voorwaardelijke atlassen voor jongere kinderen te genereren, die moeilijk te krijgen zijn.

Een grote droom is om één functie te bouwen die voorwaardelijke atlassen kan genereren voor elke subpopulatie, van geboorte tot 90 jaar. Onderzoekers kunnen inloggen op een webpagina, voer een leeftijd in, seks, ziekten, en andere parameters, en ontvang een on-demand voorwaardelijke atlas. "Dat zou geweldig zijn, omdat iedereen naar deze ene functie kan verwijzen als een enkele universele atlasreferentie, ' zegt Dalka.

Een andere mogelijke toepassing buiten medische beeldvorming is atletische training. Iemand zou de functie kunnen trainen om een ​​atlas te genereren voor, zeggen, de opslagbeweging van een tennisser. De speler kan dan nieuwe opslagen vergelijken met de atlas om precies te zien waar ze de juiste vorm hebben behouden of waar het mis is gegaan.

"Als je naar sport kijkt, het zijn meestal commentatoren die zeggen dat ze gemerkt hebben of iemands formulier de ene keer niet klopte in vergelijking met de andere, " zegt Dalca. "Maar je kunt je voorstellen dat het veel meer kwantitatief zou kunnen zijn dan dat."

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.