p Os pesquisadores do MIT desenvolveram um novo método para obter mais informações de imagens usadas para treinar modelos de aprendizado de máquina, incluindo aqueles que podem analisar exames médicos para ajudar a diagnosticar e tratar doenças cerebrais. p Uma nova área ativa na medicina envolve o treinamento de modelos de aprendizagem profunda para detectar padrões estruturais em varreduras cerebrais associadas a doenças e distúrbios neurológicos, como a doença de Alzheimer e esclerose múltipla. Mas coletar os dados de treinamento é trabalhoso:todas as estruturas anatômicas em cada varredura devem ser contornadas separadamente ou rotuladas à mão por especialistas em neurologia. E, em alguns casos, como para doenças cerebrais raras em crianças, apenas algumas varreduras podem estar disponíveis em primeiro lugar.

p Em um artigo apresentado na recente Conferência sobre Visão Computacional e Reconhecimento de Padrões, os pesquisadores do MIT descrevem um sistema que usa uma única varredura rotulada, junto com as varreduras não rotuladas, para sintetizar automaticamente um grande conjunto de dados de exemplos de treinamento distintos. O conjunto de dados pode ser usado para treinar melhor os modelos de aprendizado de máquina para encontrar estruturas anatômicas em novas varreduras - quanto mais dados de treinamento, melhores serão essas previsões.

p O ponto crucial do trabalho é gerar dados automaticamente para o processo de "segmentação de imagens", que divide uma imagem em regiões de pixels que são mais significativas e fáceis de analisar. Para fazer isso, o sistema usa uma rede neural convolucional (CNN), um modelo de aprendizado de máquina que se tornou uma força motriz para tarefas de processamento de imagem. A rede analisa muitos exames não identificados de diferentes pacientes e diferentes equipamentos para "aprender" a anatomia, brilho, e variações de contraste. Então, ele aplica uma combinação aleatória dessas variações aprendidas a uma única varredura rotulada para sintetizar novas varreduras que são realistas e rotuladas com precisão. Essas varreduras recém-sintetizadas são então alimentadas em uma CNN diferente que aprende como segmentar novas imagens.

p "Esperamos que isso torne a segmentação de imagens mais acessível em situações realistas onde você não tem muitos dados de treinamento, "diz a primeira autora Amy Zhao, Pós-graduando no Departamento de Engenharia Elétrica e Ciência da Computação (EECS) e no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL). "Em nossa abordagem, você pode aprender a imitar as variações em varreduras não rotuladas para sintetizar de forma inteligente um grande conjunto de dados para treinar sua rede. "

p Há interesse em usar o sistema, por exemplo, para ajudar a treinar modelos de análise preditiva no Massachusetts General Hospital, Zhao diz, onde apenas uma ou duas varreduras marcadas podem existir de condições cerebrais particularmente incomuns entre pacientes infantis.

p Juntando-se a Zhao no papel estão:Guha Balakrishnan, um pós-doutorado em EECS e CSAIL; Professores do EECS, Fredo Durand e John Guttag, e o autor sênior Adrian Dalca, que também é membro do corpo docente de radiologia da Harvard Medical School.

p A "mágica" por trás do sistema

p Embora agora aplicado a imagens médicas, o sistema realmente começou como um meio de sintetizar dados de treinamento para um aplicativo de smartphone que pudesse identificar e recuperar informações sobre cartas do popular jogo de cartas colecionável, "Magic:The Gathering." Lançado no início da década de 1990, "Magic" tem mais de 20, 000 cartas exclusivas - com mais lançadas a cada poucos meses - que os jogadores podem usar para construir baralhos de jogo personalizados.

p Zhao, um ávido jogador de "Magic", queria desenvolver um aplicativo alimentado pela CNN que tirasse uma foto de qualquer cartão com uma câmera de smartphone e automaticamente puxasse informações como preço e classificação de bancos de dados de cartões online. "Quando escolhi os cartões de uma loja de jogos, Cansei de digitar todos os nomes deles no meu telefone e procurar classificações e combinações, "Zhao diz." Não seria incrível se eu pudesse digitalizá-los com meu telefone e obter essas informações? "

p Mas ela percebeu que é uma tarefa muito difícil de treinamento de visão por computador. "Você precisaria de muitas fotos de todos os 20, 000 cartas, sob todas as diferentes condições de iluminação e ângulos. Ninguém vai coletar esse conjunto de dados, "Zhao diz.

p Em vez de, Zhao treinou uma CNN em um conjunto de dados menor de cerca de 200 cartões, com 10 fotos distintas de cada cartão, para aprender a dobrar uma carta em várias posições. Ele calculou iluminação diferente, ângulos, e reflexos - para quando os cartões são colocados em capas de plástico - para versões distorcidas realistas sintetizadas de qualquer cartão no conjunto de dados. Foi um projeto de paixão empolgante, Zhao diz:"Mas percebemos que essa abordagem era realmente adequada para imagens médicas, porque este tipo de empenamento se encaixa muito bem com ressonâncias magnéticas. "

p Mind warp

p As imagens de ressonância magnética (MRIs) são compostas por pixels tridimensionais, chamados voxels. Ao segmentar ressonâncias magnéticas, especialistas separam e rotulam regiões de voxel com base na estrutura anatômica que as contém. A diversidade de varreduras, causados ​​por variações nos cérebros individuais e equipamentos usados, representa um desafio de usar o aprendizado de máquina para automatizar esse processo.

p Alguns métodos existentes podem sintetizar exemplos de treinamento de varreduras rotuladas usando "aumento de dados, "que deforma os voxels rotulados em diferentes posições. Mas esses métodos exigem que os especialistas escrevam à mão várias diretrizes de aumento, e algumas varreduras sintetizadas não se parecem em nada com um cérebro humano realista, o que pode ser prejudicial para o processo de aprendizagem.

p Em vez de, o sistema dos pesquisadores aprende automaticamente como sintetizar varreduras realistas. Os pesquisadores treinaram seu sistema em 100 varreduras não rotuladas de pacientes reais para calcular transformações espaciais - correspondências anatômicas de varredura a varredura. Isso gerou tantos "campos de fluxo, "qual modelo de como os voxels se movem de uma varredura para outra. Simultaneamente, calcula transformações de intensidade, que capturam variações de aparência causadas pelo contraste da imagem, barulho, e outros fatores.

p Ao gerar uma nova verificação, o sistema aplica um campo de fluxo aleatório à digitalização original rotulada, que muda em torno de voxels até que estruturalmente corresponda a um real, digitalização sem etiqueta. Então, ele se sobrepõe a uma transformação de intensidade aleatória. Finalmente, o sistema mapeia os rótulos para as novas estruturas, seguindo como os voxels se moviam no campo de fluxo. No fim, as varreduras sintetizadas se assemelham muito ao real, digitalizações sem rótulos - mas com rótulos precisos.

p Para testar sua precisão de segmentação automatizada, os pesquisadores usaram pontuações de dados, que medem o quão bem uma forma 3D se ajusta a outra, em uma escala de 0 a 1. Eles compararam seu sistema aos métodos tradicionais de segmentação - manuais e automatizados - em 30 estruturas cerebrais diferentes em 100 exames de varredura. Grandes estruturas foram comparativamente precisas entre todos os métodos. Mas o sistema dos pesquisadores superou todas as outras abordagens em estruturas menores, como o hipocampo, que ocupa apenas cerca de 0,6 por cento do cérebro, por volume.

p "Isso mostra que nosso método melhora em relação a outros métodos, especialmente quando você entra nas estruturas menores, que pode ser muito importante para entender a doença, "Zhao diz." E nós fizemos isso enquanto precisávamos apenas de um único escaneamento rotulado à mão. " p Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.