︿
Top

MIT新演算法快1000倍、分析3D醫學影像

瀏覽次數:11333| 歡迎推文: facebook twitter wechat twitter twitter

科技產業資訊室 - 黃松勳 發表於 2018年7月4日

圖、MIT新演算法快1000倍、快速3D醫學影像分析
 
麻省理工學院的研究人員,在2018年6月舉行的電腦視覺及圖型辨識學報(CVPR)會議,以及即將在9月舉行的醫學電腦影像和輔助干預學報(MICCAI)會議上發表論文,內容描述了一種新的機器學習演算法,可對腦部進行快速掃描並比對,甚至對其他3D影像,且比傳統技術快了1000倍以上。
 
在傳統的方法上,MRI掃描基本上是堆疊數百張2D影像,形成大量的3D影像,稱為”體積(volumes)”,其包含了一百萬或更多的3D像素,稱為”體像素(voxels)”。因此,將第一個體積中的所有體像素與第二個體積中的體像素校準比對是非常耗時的。此外,掃描影像可能來自不同的機器與具有不同的空間取向,這表示著在比對匹配體像素(voxels)的計算上,甚至會變得更複雜。在分析來自大量人們的掃描影像時,此過程會變得特別慢。例如,神經科學家分析數百名患有特殊疾病或病症患者的腦部結構變化,可能需花上數百小時。
 
因為舊有的演算法存在著一個缺陷,因為它們從不學習,每次校準比對後,它們就會消除與體像素位置有關的所有數據,每當出現一組新的影像時,它們會再從頭開始。因此,MIT研究人員的發展的新演算法稱為”VoxelMorph”,搭載著卷積神經網絡(CNN),這是一種常用於影像處理的機器學習方法。這些網絡由許多節點組成,這些節點跨越多個計算層來處理影像和其它資訊。
 
在CVPR論文中,研究人員利用7,000個公開可用的MRI腦部掃描影像,來訓練他們的演算法,然後另外測試新的250個掃描影像。在訓練期間,腦部掃描影像成對地送入演算法,利用CNN和修改計算層的空間變換器,在一次MRI掃描影像中獲取與另一次掃描影像中相似的體像素。因此,該演算法學習到有關於體像素群的資訊,例如兩個掃描影像共有的解剖學形狀,其可應用於計算任何掃描成對影像的最佳化參數。
 
當進行兩次新掃描時,一個簡單的數學”函數”會利用這些最佳化參數來快速計算兩次掃描影像中每個體像素的精確校準。簡單來說,演算法的CNN組件在訓練期間會獲取所有必要的資訊,使得在每次新的校準比對期間,可以利用一個容易計算的函數來執行整個校準比對與評估。
 
研究人員發現,他們的演算法可以利用傳統的中央處理器(一般電腦)在兩分鐘內準確地校準比對他們的250個測試腦掃描影像,而利用GPU(圖形處理器)則可在一秒內就完成比對。重要的是,該算法是”無監督的(unsupervised)”,這表示著它不需要超出影像數據的額外資訊,也可以在沒有準確的校準數據情況下保持其準確性。在17個大腦區域中,精煉過的VoxelMorph演算法與常用的最先進的校準演算法具有相同的準確性,同時提供在運行期間和方法上的改進。
 
除了分析大腦掃描影像外,此種快速演算法還有其它廣泛的潛在應用,肺部影像演算法。該算法也為在操作過程中的影像校準技術鋪平道路。例如,當切除腦部腫瘤時,外科醫生有時會在手術前後掃描患者的大腦,在短時間內,檢視他們是否已經切除了所有的腫瘤,如果還有一點,他們即可回到手術室,繼續完成手術。
 
結語
MIT此種快速的影像校準演算法將改變傳統的醫學辨識方法,可提高病症的辨識準確性、降低人為辨識出錯率,以及縮短校準比對時間,當時間縮短到幾分鐘內或幾秒內,即可當下決定臨床決策,而無需等待候時與多次進出醫院,對於醫生與患者帶來的不只是時間上的效益,也帶來及早發現病兆立即處置之時機。(1270字;圖1)
 
 
參考資料:
Faster analysis of medical images. MIT News,2018/6/18
 
 
本站相關文章:
1.
CB Insights:2018年值得關注13項人工智慧趨勢
2. 大數據帶動機器學習形成IT新戰場
3.機器學習的領頭羊 Google?微軟?
4.IBM的深度學習獲得重大突破,縮短時間提高效率
5. 人工智慧在醫療設備產業之三個新興應用

 
歡迎來粉絲團按讚!
--------------------------------------------------------------------------------------------------------------------------------------------
【聲明】
1. 科技產業資訊室刊載此文不代表同意其說法或描述,僅為提供更多訊息,也不構成任何投資建議。
2. 著作權所有,非經本網站書面授權同意不得將本文以任何形式修改、複製、儲存、傳播或轉載,本中心保留一切法律追訴權利。