Os pesquisadores do MIT desenvolveram um método que acelera o processo de criação e personalização de modelos usados ​​na análise de imagens médicas, para orientar o diagnóstico da doença.

Um uso da análise de imagens médicas é processar conjuntos de dados de imagens médicas de pacientes e capturar relações estruturais que podem indicar a progressão de doenças. Em muitos casos, a análise requer o uso de um modelo de imagem comum, chamado de "atlas, "é uma representação média de uma determinada população de pacientes. Atlas servem como referência para comparação, por exemplo, para identificar mudanças clinicamente significativas nas estruturas cerebrais ao longo do tempo.

Construir um modelo é uma tarefa demorada, processo laborioso, muitas vezes leva dias ou semanas para gerar, especialmente ao usar varreduras cerebrais 3D. Para economizar tempo, os pesquisadores costumam baixar atlas disponíveis publicamente, gerados anteriormente por grupos de pesquisa. Mas eles não capturam totalmente a diversidade de conjuntos de dados individuais ou subpopulações específicas, como aqueles com novas doenças ou de crianças pequenas. Em última análise, o atlas não pode ser mapeado suavemente em imagens atípicas, produzindo resultados ruins.

Em um artigo apresentado na Conferência sobre Sistemas de Processamento de Informação Neural em dezembro, os pesquisadores descrevem um modelo de aprendizado de máquina automatizado que gera atlas "condicionais" com base em atributos específicos do paciente, como idade, sexo, e doenças. Aproveitando informações compartilhadas de todo um conjunto de dados, o modelo também pode sintetizar atlas de subpopulações de pacientes que podem estar completamente ausentes no conjunto de dados.

"O mundo precisa de mais atlas, "diz o primeiro autor Adrian Dalca, um ex-pós-doutorado no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) e agora um membro do corpo docente em radiologia na Harvard Medical School e no Massachusetts General Hospital. "Atlas são fundamentais para muitas análises de imagens médicas. Este método pode construir muito mais deles e também construir outros condicionais."

Marianne Rakic ​​se juntou a Dalca no papel, pesquisador visitante no CSAIL; John Guttag, o Professor Dugald C. Jackson de Ciência da Computação e Engenharia Elétrica e chefe do Grupo de Inferência de Orientação de Dados do CSAIL; e Mert R. Sabuncu da Cornell University.

Alinhamento simultâneo e atlas

Os métodos tradicionais de construção de atlas são longos, processos de otimização iterativa em todas as imagens em um conjunto de dados. Eles se alinham, dizer, todas as varreduras cerebrais em 3D para um atlas inicial (muitas vezes embaçado), e calcular uma nova imagem média das varreduras alinhadas. Eles repetem esse processo iterativo para todas as imagens. Isso calcula um atlas final que minimiza a extensão em que todas as varreduras no conjunto de dados devem deformar para corresponder ao atlas. Fazer esse processo para subpopulações de pacientes pode ser complexo e impreciso se não houver dados suficientes disponíveis.

Mapear um atlas para uma nova digitalização gera um "campo de deformação, "que caracteriza as diferenças entre as duas imagens. Capta variações estruturais, que pode então ser analisado posteriormente. Em varreduras cerebrais, por exemplo, variações estruturais podem ser devidas à degeneração do tecido em diferentes estágios de uma doença.

Em trabalhos anteriores, Dalca e outros pesquisadores desenvolveram uma rede neural para alinhar rapidamente essas imagens. Em parte, que ajudou a acelerar o processo tradicional de construção de atlas. "Nós dissemos, “Por que não podemos construir atlas condicionais enquanto aprendemos a alinhar imagens ao mesmo tempo? '”, Diz Dalca.

Para fazer isso, os pesquisadores combinaram duas redes neurais:uma rede aprende automaticamente um atlas em cada iteração, e outro - adaptado da pesquisa anterior - alinha simultaneamente esse atlas às imagens em um conjunto de dados.

Em treinamento, a rede conjunta é alimentada com uma imagem aleatória de um conjunto de dados codificado com os atributos desejados do paciente. A partir desse, estima um atlas condicional de atributos. A segunda rede alinha o atlas estimado com a imagem de entrada, e gera um campo de deformação.

O campo de deformação gerado para cada par de imagens é usado para treinar uma "função de perda, "um componente de modelos de aprendizado de máquina que ajuda a minimizar desvios de um determinado valor. Neste caso, a função aprende especificamente a minimizar as distâncias entre o atlas aprendido e cada imagem. A rede refina continuamente o atlas para alinhá-lo suavemente a qualquer imagem do conjunto de dados.

Atlas sob demanda

O resultado final é uma função que aprendeu como atributos específicos, como idade, correlacionar a variações estruturais em todas as imagens em um conjunto de dados. Ao conectar novos atributos do paciente à função, ele aproveita todas as informações aprendidas no conjunto de dados para sintetizar um atlas sob demanda - mesmo se os dados de atributo estiverem ausentes ou escassos no conjunto de dados.

Digamos que alguém queira um atlas de tomografia cerebral para uma paciente do sexo feminino de 45 anos a partir de um conjunto de dados com informações de pacientes de 30 a 90 anos, mas com poucos dados para mulheres de 40 a 50 anos. A função analisará os padrões de como o cérebro muda entre as idades de 30 a 90 e incorporará os poucos dados existentes para essa idade e sexo. Então, ele produzirá o atlas mais representativo para mulheres da idade desejada. Em seu jornal, os pesquisadores verificaram a função gerando modelos condicionais para várias faixas etárias de 15 a 90.

Os pesquisadores esperam que os médicos possam usar o modelo para construir seus próprios atlas rapidamente a partir de seus próprios, conjuntos de dados potencialmente pequenos. Dalca agora está colaborando com pesquisadores do Massachusetts General Hospital, por exemplo, para aproveitar um conjunto de dados de varreduras cerebrais pediátricas para gerar atlas condicionais para crianças mais novas, que são difíceis de encontrar.

Um grande sonho é construir uma função que possa gerar atlas condicionais para qualquer subpopulação, desde o nascimento até os 90 anos de idade. Os pesquisadores podem entrar em uma página da web, insira uma idade, sexo, doenças, e outros parâmetros, e obter um atlas condicional sob demanda. "Isso seria maravilhoso, porque todos podem se referir a esta função como uma única referência universal de atlas, "Diz Dalca.

Outra aplicação potencial, além da imagem médica, é o treinamento atlético. Alguém poderia treinar a função para gerar um atlas para, dizer, o movimento de saque de um jogador de tênis. O jogador pode então comparar os novos saques com o atlas para ver exatamente onde eles mantiveram a forma adequada ou onde as coisas deram errado.

"Se você assiste esportes, geralmente são os comentaristas dizendo que perceberam se o formulário de alguém estava errado em um momento em comparação com o outro, "Dalca diz." Mas você pode imaginar que poderia ser muito mais quantitativo do que isso. "

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.