Nvidia的研究人員開發了能夠生成腦癌合成掃描的AI系統

人工智能(AI)系統從建筑的角度來看是多種多樣的，但它們共有一個共同的組成部分：數據集。問題是，大樣本量通常是準確性的必然結果(Google的DeepMind子公司的最先進的診斷系統需要來自7,500名患者的15,000次掃描)，并且有些數據集比其他數據集更難找到。

來自Nvidia，梅奧診所以及MGH和BWH臨床數據科學中心的研究人員相信他們已經提出了解決問題的方法：一個本身產生訓練數據的神經網絡 - 特別是合成三維磁共振圖像(核磁共振成像患有癌性腫瘤。它在今天在 西班牙格拉納達舉行的醫學圖像計算和計算機輔助干預會議上發表的論文(“使用生成性對抗網絡進行數據增強和匿名化的醫學圖像合成”)中進行了描述 。

“我們首次表明，我們可以生成可用于訓練神經網絡的大腦圖像，”Nvidia的高級研究科學家，該論文的第一作者胡昌在電話采訪中告訴VentureBeat。

人工智能系統是使用Facebook的PyTorch深度學習框架開發并在Nvidia DGX平臺上訓練的，它利用了生成對抗網絡(GAN) - 一個由 生成樣本的發生器和 鑒別器組成的兩部分神經網絡 ，試圖區分生成的樣本和現實樣本 - 創建令人信服的腦異常核磁共振成像。

該團隊采購了兩個公開可用的數據集 - 阿爾茨海默氏病神經影像學計劃(ADNI)和多模式腦腫瘤圖像分割基準(BRATS) - 來訓練GAN，并將20%%的BRATS 264研究用于性能測試。內存和計算限制迫使團隊將掃描的分辨率從256 x 256 x 108降至128 x 128 x 54，但他們使用原始圖像進行比較。

來自ADNI的生成器，從ADNI獲得圖像，學習了合成腦部掃描(包括白質，灰質和腦脊髓液)。接下來，當在BRATS數據集上松散時，它會生成帶有腫瘤的完整分割。

GAN對掃描進行了注釋，這項任務可以讓人類專家團隊工作數小時。并且因為它將大腦和腫瘤解剖學視為兩個不同的標簽，它允許研究人員改變腫瘤的大小和位置，或者將其“移植”到健康大腦的掃描中。

“有條件的GAN非常適合這種情況，”Chang說。“[它可以]消除患者的隱私問題[因為]生成的圖像是匿名的。”

那怎么辦?當團隊使用由GAN產生的真實腦部掃描和合成腦部掃描的組合訓練機器學習模型時，其實現了80%%的準確性 - 比僅在實際數據上訓練的模型好14%%。

“許多放射科醫生我們已經證明了這個系統已經表達了興奮，”Chang說。“他們想用它來產生更多罕見疾病的例子。”

Chang說，未來的研究將調查在不同患者群體中使用更高分辨率的訓練圖像和更大的數據集。模型的改進版本可能會縮小腫瘤周圍的邊界，使它們看起來不會“疊加”。

這不是Nvidia研究人員第一次使用GAN改造腦部掃描。今年夏天，他們展示了一個 系統，可以CT掃描轉換成2D核磁共振和其它系統，可以與出眾的速度和準確性同一場景對齊兩個或更多的MRI圖像。