使用機(jī)器學(xué)習(xí)識別腦腫瘤的能力

根據(jù)細(xì)胞類型、侵襲性和腫瘤分期，原發(fā)性腦腫瘤涵蓋了廣泛的腫瘤。精確表征腫瘤是治療計劃的一個關(guān)鍵方面。這是目前由訓(xùn)練有素的放射科醫(yī)生保留的任務(wù)，但在未來，計算，尤其是高性能計算將發(fā)揮輔助作用。

喬治比羅斯(George Biros)是美國得克薩斯大學(xué)奧斯汀分校的機(jī)械工程教授，他是國際海洋考察理事會并行數(shù)據(jù)分析和模擬算法小組的負(fù)責(zé)人。近十年來，他一直致力于創(chuàng)造最精確、最高效的能夠表征膠質(zhì)瘤的計算算法。侵襲性原發(fā)性腦腫瘤。

在第20屆國際醫(yī)學(xué)圖像計算與計算機(jī)輔助干預(yù)會議(MICCAI 2017)上，Biros與賓夕法尼亞大學(xué)(由克里斯特斯達(dá)瓦茲科斯教授領(lǐng)銜)、休斯頓大學(xué)(由Andreas Mang教授領(lǐng)銜)和斯圖加特大學(xué)(由Miriam Mehl教授領(lǐng)銜)介紹了一種新的全自動方法的結(jié)果，該方法將腫瘤生長的生物物理模型與機(jī)器學(xué)習(xí)算法相結(jié)合，分析膠質(zhì)瘤患者的磁共振(MR)成像數(shù)據(jù)。新方法的所有組件都由德克薩斯高級計算中心(TACC)的超級計算機(jī)實現(xiàn)。

比洛斯的團(tuán)隊在2017年多模態(tài)腦腫瘤分割挑戰(zhàn)(BRaTS'17)中測試了他們的新方法。在這一年一度的比賽中，來自世界各地的研究團(tuán)隊介紹了計算機(jī)輔助腦腫瘤識別和分類的方法和結(jié)果，不同的方法采用術(shù)前MR掃描檢查癌癥區(qū)域的類型。

他們的系統(tǒng)在挑戰(zhàn)中得分最高，達(dá)到25%，在整個腫瘤分割中接近最高。

Biros說：“競爭與膠質(zhì)瘤患者的異常組織特征有關(guān)，這是原發(fā)性腦腫瘤最常見的形式。”“我們的目標(biāo)是拍攝圖像并自動繪制輪廓，并識別不同類型的異常組織——水腫、增強(qiáng)腫瘤(具有高度侵襲性腫瘤的區(qū)域)和壞死組織。這類似于拍攝家庭成員的照片和面部識別來識別每個成員，但在這里您必須識別組織，所有這些都必須自動完成。”

以及訓(xùn)練和測試預(yù)測管道。

為了應(yīng)對這一挑戰(zhàn)，Biros和他的十幾名學(xué)生和研究人員組成的團(tuán)隊提前獲得了300組大腦圖像，所有團(tuán)隊都在這些圖像上校準(zhǔn)了他們的方法(在機(jī)器學(xué)習(xí)中稱為“訓(xùn)練”)。

在挑戰(zhàn)的最后部分，140名患者的數(shù)據(jù)被提供給每組，他們必須在兩天內(nèi)定位腫瘤并將其分成不同的組織類型。

“在48小時的窗口中，我們需要我們能得到的所有處理能力，”Biros解釋說。

Biros和他的團(tuán)隊使用的圖像處理、分析和預(yù)測過程包括兩個主要步驟：監(jiān)督機(jī)器學(xué)習(xí)步驟，其中計算機(jī)為目標(biāo)類別(“整個腫瘤”、“水腫”和“腫瘤核心”)創(chuàng)建概率圖。第二步是將這些概率與生物物理模型相結(jié)合，以數(shù)學(xué)方式表達(dá)腫瘤的生長模式，這給分析帶來了限制，并有助于找到相關(guān)性。

TACC的計算資源使Biros的團(tuán)隊能夠使用大規(guī)模最近鄰分類器(一種機(jī)器學(xué)習(xí)方法)。對于MR腦圖像中的每一個體素或三維像素，系統(tǒng)會嘗試尋找腦中所有已經(jīng)看到的相似體素，從而判斷該區(qū)域是腫瘤還是非腫瘤。

標(biāo)簽：