Исследователи Массачусетского технологического института разработали новый метод, чтобы почерпнуть больше информации из изображений, используемых для обучения модели машинного обучения, в том числе и те, которые могут анализировать медицинские приборы для диагностики и лечения болезней мозга.
Активную нового направления в медицине предполагает подготовку глубокого изучения моделей для выявления структурных закономерностей в сканирование мозга, связанные с неврологическими заболеваниями и расстройствами, такими как болезнь Альцгеймера и рассеянный склероз. Но сбор обучающих данных является трудоемким: всех анатомических структур в каждом приборе должны быть отдельно выделены или ручной помечены неврологических экспертов. И, в некоторых случаях, например для редких заболеваний головного мозга у детей, только несколько сканов могут быть доступны в первую очередь.
В документе, представленном на недавней конференции по компьютерному зрению и распознаванию образов, исследователи Массачусетского технологического института описывают систему, которая использует одну метку сканирования, наряду с немаркированной сканирует, автоматически синтезировать больших массивов данных в различных обучающих примеров. Набор данных может быть использован для обучения лучше модели машинного обучения, чтобы найти анатомические структуры в новых сканов — тем больше данных для обучения, тем лучше эти предсказания.
Суть работы автоматической генерации данных для “изображения сегментация” процесс, который разделяет изображение на области пикселей, которые являются более значимыми и легче анализировать. Для этого система использует сверточные нейронные сети (КНС), машинного обучения модель, которая станет локомотивом для обработки изображений задачи. Сеть анализирует большое немеченого сканы от разных больных и различным оборудованием, чтобы “узнать” анатомические, яркость и контрастность вариаций. Затем, он применяет случайную комбинацию из тех, кто узнал вариаций на одну метку сканирования синтезировать новые сканы, которые являются реалистичными и этикетирования. Эти вновь синтезированные сканы поступает в разных CNN, что узнает, как в сегменте новых образов.
“Мы надеемся, что это позволит сделать изображения сегментация более доступными для реальных ситуаций, где вы не так много обучающих данных,” говорит первый автор Эми Чжао, аспирант кафедры электротехники и компьютерных наук (ЕЭКУ) и компьютерных наук и лаборатории искусственного интеллекта (CSAIL). “В нашем подходе, вы можете научиться имитировать колебания в немаркированных сканирует грамотно синтезировать большой набор данных для обучения сети.”
Есть заинтересованность в использовании системы, например, помочь в подготовке прогнозно-аналитических моделей на общей больнице Массачусетс, Чжао говорит, где только один или два меткой сканы могут существовать особо необычного мозга условий среди детей-пациентов.
Присоединение Чжао на бумаге: Гуха Балакришнан, постдок в EECS и CSAIL; профессора Фредо Ремо Дюран и John Guttag, и старший автор Adrian Dalca, который также является членом факультета в радиологии в Гарвардской Медицинской школе.
“Магия” за системой
Хотя сейчас применяются в медицинской визуализации, система фактически начал в качестве средства для синтеза обучающих данных на смартфон приложение, которое может идентифицировать и получить информацию о картах от популярной коллекционной карточной игре “магия: собирание.” Выпущенный в начале 1990-х годов, “магия” имеет более чем 20 000 уникальных карт — с выпускает раз в несколько месяцев — что игроки могут использовать, чтобы создать изготовленные на заказ играя колодами.
Чжао, заядлый “магия” игрок хотел развить свою работает приложение, которое сфотографировал любую карту с камеры смартфона и автоматически вытащил информацию, такую как цена, так и клиентов из баз данных онлайн-карты. “Когда я выбираю карты из игрового магазина, мне надоело введя их имена в моем телефоне и просмотр рейтингов и комбо”, — говорит Чжао. “Не было бы удивительным, если бы я мог сканировать их с помощью телефона и подтянуть эту информацию?”
Но она поняла, что это очень трудный компьютер-видения задач обучения. “Вам нужно много фотографий, что все 20 000 карт, при всех разных условиях освещения и углах. Никто не собирается собирать этот набор”, — говорит Чжао.
Вместо этого, Чжао обучили CNN на меньший набор данных, около 200 карт, с 10 отдельных фото каждой карты, чтобы узнать, как Варп карту в различных положениях. Это компьютерная разном освещении, с разными углами, и отражения — когда карты кладутся в пластиковые рукава — для синтезированных реалистичные исковерканной версии карты в наборе данных. Это был волнующий проект, говорит Чжао: “но мы поняли, что такой подход очень хорошо подходит для медицинских изображений, потому что этот тип деформации подходит очень хорошо с МРТ.”
Ум варп
Изображения магнитного резонанса (МРТ) состоят из трехмерных пикселей, называемых вокселями. При сегментировании МРТ, эксперты отдельно и маркировать регионы воксел на основе анатомического строения, их содержащие. Разнообразие сканирует, вызванные изменениями в отдельных мозгов и используемого оборудования, затрудняет использование машинного обучения для автоматизации этого процесса.
Некоторые из существующих методов может синтезировать обучающих примеров с меткой сканирование используя “увеличение данных”, который коробит помечены вокселей в разных позициях. Но эти методы требуют экспертов в руку-писать различные руководства и увеличение груди, а некоторые синтезированные снимки не что иное, как реалистичный человеческий мозг, который может пагубно сказаться на процессе обучения.
Вместо этого система, исследователи автоматически научится синтезировать реалистичные снимки. Исследователи обучили их система на 100 немеченого сканы с реальных пациентов для вычисления пространственных трансформаций — анатомических соответствий от скана к скану. Это вызвало столько “поток поля”, что модель как воксели переходить от одного сканирования к другому. Одновременно он вычисляет преобразования интенсивности, которые захватывают изменения внешности, вызванные контраст изображения, шума, и других факторов.
В создании нового сканирования, система применяет случайного поля потока в оригинальной надписью сканирования, который смещается вокруг вокселей, пока она структурно совпадает с реальной сектора сканирования. Затем с помощью преобразования случайной интенсивности. Наконец, система отображает ярлыки для новой структуры, следуя, как воксели двигался в поле течения. В конце концов, синтезированных сканирует напоминают реальные, без маркировки сканирует — но с точными этикетками.
Чтобы проверить их автоматизированной точность сегментации, исследователи использовали кости баллов, которые измеряют, насколько хорошо одна 3-D форма надевается на другой, по шкале от 0 до 1. Они сравнили свою систему с традиционными методами сегментации — ручное и автоматизированное — на 30 различных структур головного мозга через 100 проведенных испытаний сканы. Были большие структуры, сравнительно точный из всех методов. Но система исследователей превзошли все другие подходы на более мелкие структуры, такие как гиппокамп, который занимает всего около 0,6 процента мозга, по объему.
“Это показывает, что наш метод улучшает по сравнению с другими методами, особенно, как вы получите в более мелкие структуры, которые могут иметь большое значение в понимании болезней”, — говорит Чжао. “И мы сделали, что при необходимости использования только одной рукой-надписью сканирование”.
На поклон к работе “магические” корни, код публично доступен на GitHub под именем одну из карт игры, “мозговой штурм.”
