los investigadores del MIT han ideado un método que acelera el proceso para crear y personalizar plantillas utilizadas en el análisis de imágenes médicas, para guiar el diagnóstico de enfermedades.
Un uso del análisis de imágenes médicas es procesar conjuntos de datos de imágenes médicas de pacientes y capturar relaciones estructurales que pueden indicar la progresión de enfermedades. En muchos casos, el análisis requiere el uso de una plantilla de imagen común, llamada "atlas", que es unrepresentación promedio de una población de pacientes dada. Los atlas sirven como referencia para la comparación, por ejemplo, para identificar cambios clínicamente significativos en las estructuras cerebrales a lo largo del tiempo.
La creación de una plantilla es un proceso laborioso y lento, que a menudo demora días o semanas en generarse, especialmente cuando se utilizan escáneres cerebrales en 3D. Para ahorrar tiempo, los investigadores a menudo descargan atlas disponibles públicamente generados previamente por grupos de investigación. Pero esos noCapture completamente la diversidad de conjuntos de datos individuales o subpoblaciones específicas, como aquellas con nuevas enfermedades o de niños pequeños. En última instancia, el atlas no puede mapearse sin problemas en imágenes atípicas, produciendo malos resultados.
En un documento presentado en la Conferencia sobre Sistemas de Procesamiento de Información Neural en diciembre, los investigadores describen un modelo automatizado de aprendizaje automático que genera atlas "condicionales" basados en atributos específicos del paciente, como la edad, el sexo y la enfermedad.información compartida de un conjunto de datos completo, el modelo también puede sintetizar atlas de subpoblaciones de pacientes que pueden faltar por completo en el conjunto de datos.
"El mundo necesita más atlas", dice el primer autor Adrian Dalca, ex postdoctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL y ahora miembro de la facultad de radiología en la Escuela de Medicina de Harvard y el Hospital General de Massachusetts. "Los atlas son centralespara muchos análisis de imágenes médicas. Este método puede generar muchos más de ellos y también condicional ".
Junto a Dalca en el papel están Marianne Rakic, investigadora visitante en CSAIL; John Guttag, el profesor Dugald C. Jackson de Ciencias de la Computación e Ingeniería Eléctrica y jefe del Grupo de Inferencia Dirigida por Datos de CSAIL; y Mert R. Sabuncu de la Universidad de Cornell.
Alineación y atlas simultáneos
Los métodos tradicionales de construcción de atlas ejecutan procesos de optimización largos e iterativos en todas las imágenes de un conjunto de datos. Alinean, por ejemplo, todos los escaneos cerebrales 3D con un atlas inicial a menudo borroso y calculan una nueva imagen promedio de los escaneos alineados.repita este proceso iterativo para todas las imágenes. Esto calcula un atlas final que minimiza la medida en que todos los escaneos en el conjunto de datos deben deformarse para coincidir con el atlas. Hacer este proceso para subpoblaciones de pacientes puede ser complejo e impreciso si no hay suficientes datos disponibles.
El mapeo de un atlas a un nuevo escaneo genera un "campo de deformación" que caracteriza las diferencias entre las dos imágenes. Esto captura las variaciones estructurales, que luego pueden analizarse más a fondo. En los escáneres cerebrales, por ejemplo, las variaciones estructurales pueden deberse adegeneración tisular en diferentes etapas de una enfermedad.
En trabajos anteriores, Dalca y otros investigadores desarrollaron una red neuronal para alinear rápidamente estas imágenes. En parte, eso ayudó a acelerar el proceso tradicional de construcción de atlas ". Dijimos: '¿Por qué no podemos construir atlas condicionales mientras aprendemos a¿alinear imágenes al mismo tiempo? '", dice Dalca.
Para hacerlo, los investigadores combinaron dos redes neuronales: una red aprende automáticamente un atlas en cada iteración y otra, adaptada de la investigación anterior, alinea simultáneamente ese atlas con las imágenes en un conjunto de datos.
En el entrenamiento, la red conjunta recibe una imagen aleatoria de un conjunto de datos codificado con los atributos deseados del paciente. A partir de eso, estima un atlas condicional de atributo. La segunda red alinea el atlas estimado con la imagen de entrada y genera un campo de deformación.
El campo de deformación generado para cada par de imágenes se usa para entrenar una "función de pérdida", un componente de los modelos de aprendizaje automático que ayuda a minimizar las desviaciones de un valor dado. En este caso, la función aprende específicamente para minimizar las distancias entre lo aprendidoatlas y cada imagen. La red refina continuamente el atlas para alinearse suavemente con cualquier imagen dada en el conjunto de datos.
atlas bajo demanda
El resultado final es una función que aprende cómo los atributos específicos, como la edad, se correlacionan con las variaciones estructurales en todas las imágenes de un conjunto de datos. Al conectar los nuevos atributos del paciente en la función, aprovecha toda la información aprendida en el conjunto de datos para sintetizar unatlas de demanda, incluso si los datos de ese atributo faltan o son escasos en el conjunto de datos
Digamos que alguien quiere un atlas de escáner cerebral para una paciente de 45 años de edad a partir de un conjunto de datos con información de pacientes de 30 a 90 años, pero con pocos datos para mujeres de 40 a 50 años. La función analizará los patrones de cómo el cerebrocambia entre las edades de 30 a 90 e incorpora los pocos datos que existen para esa edad y sexo. Luego, producirá el atlas más representativo para las mujeres de la edad deseada. En su trabajo, los investigadores verificaron la función generando plantillas condicionales paravarios grupos de edad de 15 a 90.
Los investigadores esperan que los médicos puedan usar el modelo para construir sus propios atlas rápidamente a partir de sus propios conjuntos de datos potencialmente pequeños. Dalca ahora está colaborando con investigadores del Hospital General de Massachusetts, por ejemplo, para aprovechar un conjunto de datos de escáneres cerebrales pediátricos para generar atlas condicionalespara niños más pequeños, que son difíciles de encontrar.
Un gran sueño es construir una función que pueda generar atlas condicionales para cualquier subpoblación, desde el nacimiento hasta los 90 años. Los investigadores pueden iniciar sesión en una página web, ingresar una edad, sexo, enfermedades y otros parámetros, y obtener undemanda atlas condicional. "Eso sería maravilloso, porque todos pueden referirse a esta función como una única referencia de atlas universal", dice Dalca.
Otra aplicación potencial más allá de las imágenes médicas es el entrenamiento atlético. Alguien podría entrenar la función para generar un atlas para, por ejemplo, el movimiento de servicio de un jugador de tenis. El jugador podría comparar nuevos servicios contra el atlas para ver exactamente dónde mantuvieron la forma adecuada odonde las cosas salieron mal
"Si ves deportes, generalmente los comentaristas dicen que notaron si la forma de alguien estaba apagada de una vez en comparación con otra", dice Dalca. "Pero puedes imaginar que podría ser mucho más cuantitativo que eso".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :