p O registro de imagens médicas é uma técnica comum que envolve a sobreposição de duas imagens, como exames de ressonância magnética (MRI), para comparar e analisar as diferenças anatômicas em grande detalhe. Se um paciente tem um tumor cerebral, por exemplo, os médicos podem sobrepor uma varredura do cérebro de vários meses atrás a uma varredura mais recente para analisar pequenas mudanças no progresso do tumor. p Este processo, Contudo, muitas vezes pode levar duas horas ou mais, já que os sistemas tradicionais alinham meticulosamente cada um dos potencialmente um milhão de pixels nas varreduras combinadas. Em dois artigos da próxima conferência, Os pesquisadores do MIT descrevem um algoritmo de aprendizado de máquina que pode registrar varreduras cerebrais e outras imagens 3-D mais de 1, 000 vezes mais rapidamente usando novas técnicas de aprendizagem.

p O algoritmo funciona "aprendendo" ao registrar milhares de pares de imagens. Ao fazer isso, ele adquire informações sobre como alinhar imagens e estima alguns parâmetros de alinhamento ideais. Após o treinamento, ele usa esses parâmetros para mapear todos os pixels de uma imagem para outra, tudo de uma vez. Isso reduz o tempo de registro para um ou dois minutos usando um computador normal, ou menos de um segundo usando uma GPU com precisão comparável a sistemas de última geração.

p "As tarefas de alinhar uma ressonância magnética do cérebro não deveriam ser tão diferentes quando você alinha um par de ressonâncias magnéticas do cérebro ou outro, "diz o co-autor de ambos os artigos Guha Balakrishnan, um estudante de graduação no Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) e no Departamento de Engenharia e Ciência da Computação (EECS). "Existem informações que você deve ser capaz de transportar ao fazer o alinhamento. Se você for capaz de aprender algo com o registro de imagem anterior, você pode fazer uma nova tarefa muito mais rápido e com a mesma precisão. "

p Os artigos estão sendo apresentados na Conferência sobre Visão Computacional e Reconhecimento de Padrões (CVPR), realizada esta semana, e na Conferência de Computação de Imagens Médicas e Intervenções Assistidas por Computador (MICCAI), realizada em setembro. Os co-autores são:Adrian Dalca, pós-doutorado no Massachusetts General Hospital e CSAIL; Amy Zhao, um estudante de graduação em CSAIL; Mert R. Sabuncu, um ex-pós-doutorado do CSAIL e agora um professor da Cornell University; e John Guttag, o Professor Dugald C. Jackson em Engenharia Elétrica no MIT.

p Retenção de informações

p As varreduras de ressonância magnética são basicamente centenas de imagens 2-D empilhadas que formam imagens 3-D massivas, chamado de "volumes, "contendo um milhão ou mais pixels 3-D, chamados de "voxels". Portanto, é muito demorado alinhar todos os voxels do primeiro volume com os do segundo. Além disso, as varreduras podem vir de diferentes máquinas e ter diferentes orientações espaciais, o que significa que combinar voxels é ainda mais complexo computacionalmente.

p "Você tem duas imagens diferentes de dois cérebros diferentes, coloque-os um em cima do outro, e você começa a mexer um até que um se ajuste ao outro. Matematicamente, este procedimento de otimização leva muito tempo, "diz Dalca, autor sênior do artigo CVPR e autor principal do artigo MICCAI.

p Esse processo se torna particularmente lento ao analisar varreduras de grandes populações. Neurocientistas analisando variações nas estruturas cerebrais em centenas de pacientes com uma doença ou condição específica, por exemplo, poderia levar centenas de horas.

p Isso porque esses algoritmos têm uma grande falha:eles nunca aprendem. Após cada registro, eles descartam todos os dados relativos à localização do voxel. "Essencialmente, eles começam do zero com um novo par de imagens, "Balakrishnan diz." Após 100 registros, você deve ter aprendido algo com o alinhamento. É isso que aproveitamos. "

p O algoritmo dos pesquisadores, chamado "VoxelMorph, "é alimentado por uma rede neural convolucional (CNN), uma abordagem de aprendizado de máquina comumente usada para processamento de imagens. Essas redes consistem em muitos nós que processam imagens e outras informações em várias camadas de computação.

p No artigo CVPR, os pesquisadores treinaram seu algoritmo em 7, 000 varreduras cerebrais de ressonância magnética disponíveis ao público e, em seguida, testado em 250 varreduras adicionais.

p Durante o treinamento, varreduras cerebrais foram inseridas no algoritmo em pares. Usando uma CNN e uma camada de computação modificada chamada de transformador espacial, o método captura semelhanças de voxels em uma varredura de ressonância magnética com voxels na outra varredura. Ao fazer isso, o algoritmo aprende informações sobre grupos de voxels - como formas anatômicas comuns a ambas as varreduras - que ele usa para calcular parâmetros otimizados que podem ser aplicados a qualquer par de varredura.

p Quando alimentado com dois novos scans, uma "função" matemática simples usa esses parâmetros otimizados para calcular rapidamente o alinhamento exato de cada voxel em ambas as varreduras. Resumidamente, o componente CNN do algoritmo ganha todas as informações necessárias durante o treinamento para que, durante cada novo registro, todo o registro pode ser executado usando um, avaliação de função facilmente computável.

p Os pesquisadores descobriram que seu algoritmo pode registrar com precisão todas as suas 250 varreduras cerebrais de teste - aquelas registradas após o conjunto de treinamento - em dois minutos usando uma unidade de processamento central tradicional, e em menos de um segundo usando uma unidade de processamento gráfico.

p Mais importante, o algoritmo é "não supervisionado, "o que significa que não requer informações adicionais além dos dados de imagem. Alguns algoritmos de registro incorporam modelos da CNN, mas exigem uma" verdade básica, "significando que outro algoritmo tradicional é executado primeiro para calcular registros precisos. O algoritmo dos pesquisadores mantém sua precisão sem esses dados.

p O artigo MICCAI desenvolve um algoritmo VoxelMorph refinado que "diz o quanto temos certeza sobre cada registro, "Balakrishnan diz. Ele também garante a" suavidade do registro, "o que significa que não produz dobras, furos, ou distorções gerais na imagem composta. O artigo apresenta um modelo matemático que valida a precisão do algoritmo usando algo chamado de pontuação de dados, uma métrica padrão para avaliar a precisão de imagens sobrepostas. Em 17 regiões do cérebro, o algoritmo VoxelMorph refinado obteve a mesma precisão de um algoritmo de registro de última geração comumente usado, enquanto fornece tempo de execução e melhorias metodológicas.

p Além das varreduras cerebrais

p The speedy algorithm has a wide range of potential applications in addition to analyzing brain scans, dizem os pesquisadores. MIT colleagues, por exemplo, are currently running the algorithm on lung images.

p The algorithm could also pave the way for image registration during operations. Various scans of different qualities and speeds are currently used before or during some surgeries. But those images are not registered until after the operation. When resecting a brain tumor, por exemplo, surgeons sometimes scan a patient's brain before and after surgery to see if they've removed all the tumor. If any bit remains, they're back in the operating room.

p With the new algorithm, Dalca says, surgeons could potentially register scans in near real-time, getting a much clearer picture on their progress. "Hoje, they can't really overlap the images during surgery, because it will take two hours, and the surgery is ongoing" he says. "However, if it only takes a second, you can imagine that it could be feasible." 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.