Искусственный интеллект в диагностике и лечении заболеваний мозга

Искусственный интеллект в диагностике и лечении заболеваний мозга

Выпуск 14(6688) от 18 июля 2019 г.
РУБРИКА: МЕДИЦИНСКАЯ ЭЛЕКТРОНИКА

Исследователи Массачусетского технологического института (США) разработали новый метод сбора информации из изображений для моделей машинного обу­чения, анализирующих данные медицинского сканирования с целью диагностики и лечения заболеваний мозга.

Модели глубокого обучения позволяют выявлять признаки неврологических заболеваний, в том числе болезни Альцгеймера и рассеянного склероза, на основе анализа результатов сканирования головного мозга. Основная проблема – сбор обучающих данных для моделей: в случае редких заболеваний количество результатов сканирования ограничено; при наличии достаточного объема материалов каждый результат сканирования должен быть предварительно проанализирован неврологами вручную, а это весьма трудоемкий процесс.

Исследователи Массачусетского технологического института предложили систему, использующую один маркированный результат сканирования совместно с немаркированными, что позволяет автоматически синтезировать объемный набор данных на основе отдельных обучающих примеров. Точность прогнозов моделей машинного обучения повышается при увеличении объема обу­чающих данных.

Для сегментации изображения (разделения на области пикселей, обладающих большей значимостью и простотой для анализа) используется сверточная нейронная сеть – модель машинного обу­чения, ставшая локомотивом в сфере обработки изображений. Сеть анализирует множество немаркированных результатов сканирования пациентов, полученных с применением различного оборудования, для изучения их анатомических, яркостных и контрастных вариаций. Случайная комбинация изученных вариантов применяется к одному маркированному сканированию с целью синтеза новых результатов – реалистичных и точно маркированных. Вновь синтезированные результаты сканирования передаются другой сверточной нейронной сети для изучения способов их сегментации. Таким образом, сегментация изображений становится более доступной при отсутствии необходимого объема обучающих данных.

Интересно, что первоначально система была разработана для синтеза обу­чающих данных для идентификации и извлечения информации из изображений в игровом приложении для смартфона Magic: The Gathering. В игре более 20 тыс. уникальных карт, каждая из которых обладает своим рейтингом и ценой. Сверточная нейронная сеть на основе обучающего набора, состоящего из 10 фотографий каждого из 200 образцов карт, сделанных на камеру смартфона, научилась синтезировать реалистичные изображения карт с учетом условий освещения и ракурса.

Магнитно-резонансные томограммы (МРТ) состоят из вокселей (от англ. voxel – volumetric pixel (объемный пиксель)). При сегментации МРТ эксперты разделяют и маркируют области вокселей на основе анатомических структур. Проблема внедрения машинного обучения для автоматизации данного процесса заключается в различиях в результатах сканирования, обусловленных особенностями пациентов и используемого оборудования.

Существующие методы способны синтезировать обучающие примеры из маркированных результатов сканирования с помощью приращения данных, в ходе которого положение маркированных вокселей отклоняется от нормального, в результате чего теряется реалистичность синтезированных результатов сканирования.

Система, предложенная Массачусетским технологическим институтом, автоматически обучается синтезу реалистичных результатов сканирования. Для вычисления пространственных преобразований, необходимых для сохранения анатомического соответствия, было использовано 100 немаркированных результатов сканирования реальных пациентов и всего один результат сканирования, маркированный вручную. Создается множество полей потока, моделирующих перемещение вокселей от одного результата сканирования к другому. Система фиксирует изменения изображений, связанные с контрастом, шумом и другими факторами.

При создании нового изображения система применяет случайное поле потока к исходному маркированному результату сканирования, смещающемуся вокруг вокселей до достижения структурного соответствия реальному немаркированному результату сканирования. Затем он подвергается случайному преобразованию интенсивности. Новые структуры маркируются в соответствии с перемещением вокселей в поле потока, что позволяет достигнуть реалистичности и точности маркировки.

Точность автоматической сегментации оценивалась по степени соответствия одной трехмерной фигуры другой по шкале от 0 до 1. Систему Массачусетского технологического института срав­нили с традиционными ручными и автоматическими методами сегментации на основе 100 проведенных тестов с 30 различными мозговыми структурами. При оценке крупных структур точность всех методов была сопоставима друг с другом; при оценке малых структур, таких как гиппокамп, занимающий около 0,6% общего объема мозга, система Массачусетского технологического института превзошла остальные методы по точности. Изучение более мелких структур мозга позволит ученым лучше понимать причины различных заболеваний. Предложенная технология заинтересовала Массачусетскую больницу общего профиля – систему планируется использовать для обучения предиктивно-аналитических моделей на основе одного-двух маркированных результатов сканирования редких состояний мозга у детей.


Matheson Rob. From One Brain Scan, More Information for Medical Artificial Intelligence. MIT News, June 19, 2019: http://news.mit.edu/2019/training-artificial-intelligence-brain-scan-0619


ЧИТАЙТЕ ТАКЖЕ