I ricercatori del MIT hanno ideato un metodo che accelera il processo di creazione e personalizzazione dei modelli utilizzati nell'analisi delle immagini mediche, per guidare la diagnosi della malattia.

Un uso dell'analisi delle immagini mediche è quello di sgretolare i set di dati delle immagini mediche dei pazienti e catturare le relazioni strutturali che possono indicare la progressione delle malattie. In molti casi, l'analisi richiede l'uso di un modello di immagine comune, chiamato un "atlante, " questa è una rappresentazione media di una determinata popolazione di pazienti. Gli atlanti servono come riferimento per il confronto, ad esempio per identificare cambiamenti clinicamente significativi nelle strutture cerebrali nel tempo.

La creazione di un modello richiede tempo, processo laborioso, spesso impiegano giorni o settimane per generare, soprattutto quando si utilizzano scansioni cerebrali 3D. Risparmiare tempo, i ricercatori spesso scaricano atlanti pubblicamente disponibili generati in precedenza da gruppi di ricerca. Ma questi non catturano completamente la diversità dei singoli set di dati o delle sottopopolazioni specifiche, come quelli con nuove malattie o da bambini piccoli. In definitiva, l'atlante non può essere facilmente mappato su immagini anomale, producendo scarsi risultati.

In un documento presentato alla Conferenza sui sistemi di elaborazione delle informazioni neurali a dicembre, i ricercatori descrivono un modello di apprendimento automatico automatizzato che genera atlanti "condizionali" basati su attributi specifici del paziente, come l'età, sesso, e malattia. Sfruttando le informazioni condivise da un intero set di dati, il modello può anche sintetizzare atlanti da sottopopolazioni di pazienti che potrebbero mancare completamente nel dataset.

"Il mondo ha bisogno di più atlanti, " dice il primo autore Adrian Dalca, un ex postdoc presso il Computer Science and Artificial Intelligence Laboratory (CSAIL) e ora membro della facoltà di radiologia presso la Harvard Medical School e il Massachusetts General Hospital. "Gli atlanti sono fondamentali per molte analisi di immagini mediche. Questo metodo può costruirne molti di più e anche condizionali".

Ad unirsi a Dalca sulla carta ci sono Marianne Rakic, un ricercatore in visita in CSAIL; John Guttag, il Dugald C. Jackson Professor di Informatica e Ingegneria Elettrica e capo del Data Driven Inference Group di CSAIL; e Mert R. Sabuncu della Cornell University.

Allineamento simultaneo e atlanti

I metodi tradizionali di costruzione dell'atlante sono lunghi, processi di ottimizzazione iterativi su tutte le immagini in un set di dati. si allineano, dire, tutte le scansioni cerebrali 3D in un atlante iniziale (spesso sfocato), e calcolare una nuova immagine media dalle scansioni allineate. Ripetono questo processo iterativo per tutte le immagini. Questo calcola un atlante finale che riduce al minimo la misura in cui tutte le scansioni nel set di dati devono deformarsi per corrispondere all'atlante. Eseguire questo processo per le sottopopolazioni di pazienti può essere complesso e impreciso se non sono disponibili dati sufficienti.

La mappatura di un atlante su una nuova scansione genera un "campo di deformazione, " che caratterizza le differenze tra le due immagini. Questo coglie variazioni strutturali, che poi può essere ulteriormente analizzato. Nelle scansioni cerebrali, ad esempio, le variazioni strutturali possono essere dovute alla degenerazione dei tessuti nelle diverse fasi di una malattia.

Nei lavori precedenti, Dalca e altri ricercatori hanno sviluppato una rete neurale per allineare rapidamente queste immagini. In parte, che ha contribuito ad accelerare il tradizionale processo di costruzione dell'atlante. "Noi abbiamo detto, "Perché non possiamo costruire atlanti condizionali mentre impariamo ad allineare le immagini allo stesso tempo?", afferma Dalca.

Fare così, i ricercatori hanno combinato due reti neurali:una rete apprende automaticamente un atlante ad ogni iterazione, e un altro, adattato dalla ricerca precedente, allinea contemporaneamente quell'atlante alle immagini in un set di dati.

In allenamento, alla rete congiunta viene fornita un'immagine casuale da un set di dati codificato con gli attributi del paziente desiderati. Da quello, stima un atlante attributo-condizionale. La seconda rete allinea l'atlante stimato con l'immagine di input, e genera un campo di deformazione.

Il campo di deformazione generato per ogni coppia di immagini viene utilizzato per addestrare una "funzione di perdita, " un componente dei modelli di apprendimento automatico che aiuta a ridurre al minimo le deviazioni da un dato valore. In questo caso, la funzione impara specificamente a ridurre al minimo le distanze tra l'atlante appreso e ciascuna immagine. La rete perfeziona continuamente l'atlante per allinearsi senza problemi a qualsiasi data immagine nel set di dati.

Atlanti su richiesta

Il risultato finale è una funzione che ha appreso come attributi specifici, come l'età, correlare alle variazioni strutturali in tutte le immagini in un set di dati. Inserendo nuovi attributi del paziente nella funzione, sfrutta tutte le informazioni apprese attraverso il set di dati per sintetizzare un atlante su richiesta, anche se i dati di attributo sono mancanti o scarsi nel set di dati.

Supponiamo che qualcuno voglia un atlante per la scansione del cervello per una paziente di 45 anni da un set di dati con informazioni provenienti da pazienti di età compresa tra 30 e 90 anni, ma con pochi dati per le donne di età compresa tra 40 e 50 anni. La funzione analizzerà i modelli di come il cervello cambia tra i 30 ei 90 anni e incorporerà i pochi dati disponibili per quell'età e quel sesso. Quindi, produrrà l'atlante più rappresentativo per le femmine dell'età desiderata. Nella loro carta, i ricercatori hanno verificato la funzione generando modelli condizionali per vari gruppi di età dai 15 ai 90 anni.

I ricercatori sperano che i medici possano utilizzare il modello per costruire rapidamente i propri atlanti dai propri, set di dati potenzialmente piccoli. Dalca sta ora collaborando con i ricercatori del Massachusetts General Hospital, ad esempio, sfruttare un set di dati di scansioni cerebrali pediatriche per generare atlanti condizionali per i bambini più piccoli, che sono difficili da trovare.

Un grande sogno è costruire una funzione in grado di generare atlanti condizionali per qualsiasi sottopopolazione, dalla nascita ai 90 anni. I ricercatori possono accedere a una pagina Web, inserire un'età, sesso, malattie, e altri parametri, e ottieni un atlante condizionale su richiesta. "Sarebbe meraviglioso, perché tutti possono fare riferimento a questa funzione come un unico riferimento atlante universale, "dice Dalca.

Un'altra potenziale applicazione oltre l'imaging medico è l'allenamento atletico. Qualcuno potrebbe addestrare la funzione per generare un atlante per, dire, il movimento di servizio di un tennista. Il giocatore potrebbe quindi confrontare i nuovi servizi con l'atlante per vedere esattamente dove hanno mantenuto la forma corretta o dove le cose sono andate male.

"Se guardi lo sport, di solito sono i commentatori che dicono di aver notato se il modulo di qualcuno era sbagliato da un momento rispetto a un altro, "Dice Dalca. "Ma puoi immaginare che potrebbe essere molto più quantitativo di così."

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.