選自MIT News
作者：Rob Matheson
機器之心編譯
MIT 最近發表的研究提出了 VoxelMorph 算法，在保證精度的同時，讓 3D 醫療影像的掃描對比流程快了 1000 倍。新的方法或許可以讓外科醫生們在進行手術的同時獲得掃描圖像的實時輔助。
Voxelmorph 項目連結：https://github.com/voxelmorph/voxelmorph
MIT 研究員描述稱，使用全新學習技術，機器學習算法能夠以超過 1000 倍的速度配準大腦掃描和其他 3D 圖像。
醫療圖像配準（Medical image registration）是一種常見圖像覆寫對比技術，例如兩張磁共振掃描圖像，一般可以通過覆寫來對比分析解剖學上的不同點。如果一個病人患有腦癌，醫生可以通過對比幾個月前的腦部掃描圖與近期的掃描圖來分析癌症發展的微小變化。
但是，這一過程通常要花費兩個小時或者更多的時間，就像傳統的系統，要細緻地對齊聯合掃描中大概百萬個像素中的每一個。MIT 研究人員介紹了一種機器學習算法，能夠使用全新的學習技術以超過 1000 倍的速度配準腦部掃描圖檔和其他 3D 圖像。
該算法通過「學習」來配準數千張圖像對。在訓練中，算法會獲得關于對齊圖像和估計一些最優對齊參數的資訊。而當訓練後，算法将使用這些參數将圖像的所有像素同時映射到另一張圖像。這在使用一台普通計算機的情況下可以将配準時間減少到 1 到 2 分鐘，或者使用 GPU 在 1 秒内獲得與目前最佳系統向媲美的準确度。
「配準大腦 MRI 的任務過程不應該有所不同。」兩篇論文的共同作者、MIT 的 CSAIL 和 EECS 研究所學生 Guha Balakrishnan 說。「你應該利用關于配準的資訊。如果能學習到之前圖像配準的模式，你就能以相同的準确率和更快的速度執行新的任務。」
相關論文将在本周舉行的 CVPR2018 和九月份舉行的醫學圖像計算和計算機輔助幹預會議（MICCAI）中進行展示。共同作者包括：麻省總醫院和 CSAIL 的博士後 Adrian Dalca；CSAIL 研究所學生 Amy Zhao；前 CSAIL 博士後和現任康奈爾大學教授 Mert R. Sabuncu；以及 MIT 電氣工程系 Dugald C. Jackson 講座教授 John Guttag。
保留資訊
MRI 掃描基本上需要數百張堆疊的 2D 圖像來建構大型 3D 圖像，稱之為「體積」，其包含一百萬甚至更多的 3D 像素，稱之為「體素」。是以，為體積配置設定所有體素是相當耗時的。此外，掃描圖像可能來自不同的機器，并有不同的空間取向，意味着比對體素的計算将變得更加複雜。
「你有不同大腦的兩張不同圖像，将它們疊起來然後開始擺動一張圖像，直到它們互相比對。在數學上，這個優化過程需要很長的時間。」CVPR 論文的第一作者以及 MICCAI 論文的主要作者 Dalca 說。
當對不同數量的掃描照片進行分析時，這個過程将變得尤其慢。神經科學家在分析數百個有特定疾病或症狀的病人的大腦結構的差異時，可能需要幾百個小時。
這是因為那些算法有一個主要問題：它們從來不學習。在每次配準之後，它們就丢棄了之前的和體素定位相關的所有資料。「基本上，給定一對新的圖像，它們是從零開始分析的。」Balakrishnan 說。「在 100 次配準之後，你應該能從比對模式中學到點東西，這正是我們所做的。」研究員使用的算法稱為「VoxelMorph」，它以卷積神經網絡（CNN）為基礎架構。
在 CVPR 論文中，研究人員在 7000 張公開可用的 MRI 腦掃描影像上訓練他們的算法，并在 250 張額外的掃描圖像上測試算法。
在訓練過程中，腦掃描圖像成對饋送到算法。并使用 CNN 和稱之為空間轉換（spatial transformer）的修正計算層捕捉一次 MRI 腦掃描中的體素（voxel）與另一次掃描中體素的相似性。這樣訓練時，算法可以學習體素組的資訊，例如兩份掃描中共有的解剖形狀。此外，這樣的體素組資訊同樣可以用來計算應用于任意掃描對的優化參數。
當饋送了兩次新的掃描時，一個簡單的數學「函數」将使用這些優化的參數快速計算兩次掃描中每個體素的準确對齊。簡而言之，算法的 CNN 元件在訓練過程中獲得了必要的資訊，是以在每一個配準過程中，整個配準都可以使用簡單的可計算函數執行。
研究者發現，他們的算法使用傳統的中央處理單元能在兩分鐘内、使用 GPU 在 1 秒鐘内準确配準所有 250 個測試腦部掃描，它們都在訓練集之後進行配準的。
重要的是該算法是無監督的，這意味着它不需要超出圖像資料的額外資訊。一些配準算法結合了 CNN 模型，但仍需要「标注真值」，這是首先計算準确配準的另一種傳統算法。研究者的算法在沒有資料時也能保持準确度。
MICCAI 論文中提出了一個精簡版的 VoxelMorph 算法，其中「說明我們對于每個配準的确定程度，」Balakrishnan 表示。它還保證了配準的「平滑性」，這意味着它不會在合成圖像中産生褶皺、孔洞或扭曲。這篇論文提出了一個數學模型，其中使用 Dice 分數來驗證算法的準确性，該分數是用于評估重疊圖像的準确度的标準。在 17 個腦區域中，精簡的 VoxelMorph 算法與正常業内最佳配準算法準确度相當，同時還具有實時和方法學上的優勢。
研究人員表示，快速算法在分析大腦掃描之外還有廣泛的應用前景。該團隊在 MIT 的同僚還正在研究肺部圖像的處理算法。
該算法也可以為手術過程中的圖像配準鋪平道路。目前人們在手術前和手術時使用不同品質和速度的各種掃描。但這些圖像在手術之後才會被配準。例如，在切除腦惡性良性腫瘤時，外科醫生有時會在手術前後掃描患者的大腦，看看他們是否已經切除了所有惡性良性腫瘤。如果還有殘留，他們會回到手術室。
Dalca 表示，有了新的算法，外科醫生可以近乎實時地配準掃描，進而可以更清晰地了解手術進展。「今天，醫生們在手術進行當中看不到目前掃描圖像，因為出圖可能需要兩個小時，而手術不能停止，」Dalca 說道。「如果新技術能讓這個過程減少到一秒鐘，你可以想象美好的事情就會發生。」
原文連結：http://news.mit.edu/2018/faster-analysis-of-medical-images-0618
本文為機器之心編譯，轉載請聯系本公衆号獲得授權。