人工智能(AI)系統(tǒng)從建筑的角度來看是多種多樣的，但它們共有一個共同的組成部分：數(shù)據(jù)集。問題是，大樣本量通常是準確性的必然結果(Google的DeepMind子公司的最先進的診斷系統(tǒng)需要來自7,500名患者的15,000次掃描)，并且有些數(shù)據(jù)集比其他數(shù)據(jù)集更難找到。

來自Nvidia，梅奧診所以及MGH和BWH臨床數(shù)據(jù)科學中心的研究人員相信他們已經(jīng)提出了解決問題的方法：一個本身產(chǎn)生訓練數(shù)據(jù)的神經(jīng)網(wǎng)絡 - 特別是合成三維磁共振圖像(核磁共振成像患有癌性腫瘤。它在今天在 西班牙格拉納達舉行的醫(yī)學圖像計算和計算機輔助干預會議上發(fā)表的論文(“使用生成性對抗網(wǎng)絡進行數(shù)據(jù)增強和匿名化的醫(yī)學圖像合成”)中進行了描述 。

“我們首次表明，我們可以生成可用于訓練神經(jīng)網(wǎng)絡的大腦圖像，”Nvidia的高級研究科學家，該論文的第一作者胡昌在電話采訪中告訴VentureBeat。

人工智能系統(tǒng)是使用Facebook的PyTorch深度學習框架開發(fā)并在Nvidia DGX平臺上訓練的，它利用了生成對抗網(wǎng)絡(GAN) - 一個由 生成樣本的發(fā)生器和 鑒別器組成的兩部分神經(jīng)網(wǎng)絡 ，試圖區(qū)分生成的樣本和現(xiàn)實樣本 - 創(chuàng)建令人信服的腦異常核磁共振成像。

該團隊采購了兩個公開可用的數(shù)據(jù)集 - 阿爾茨海默氏病神經(jīng)影像學計劃(ADNI)和多模式腦腫瘤圖像分割基準(BRATS) - 來訓練GAN，并將20%%的BRATS 264研究用于性能測試。內(nèi)存和計算限制迫使團隊將掃描的分辨率從256 x 256 x 108降至128 x 128 x 54，但他們使用原始圖像進行比較。

來自ADNI的生成器，從ADNI獲得圖像，學習了合成腦部掃描(包括白質，灰質和腦脊髓液)。接下來，當在BRATS數(shù)據(jù)集上松散時，它會生成帶有腫瘤的完整分割。

GAN對掃描進行了注釋，這項任務可以讓人類專家團隊工作數(shù)小時。并且因為它將大腦和腫瘤解剖學視為兩個不同的標簽，它允許研究人員改變腫瘤的大小和位置，或者將其“移植”到健康大腦的掃描中。

“有條件的GAN非常適合這種情況，”Chang說。“[它可以]消除患者的隱私問題[因為]生成的圖像是匿名的。”

那怎么辦?當團隊使用由GAN產(chǎn)生的真實腦部掃描和合成腦部掃描的組合訓練機器學習模型時，其實現(xiàn)了80%%的準確性 - 比僅在實際數(shù)據(jù)上訓練的模型好14%%。

“許多放射科醫(yī)生我們已經(jīng)證明了這個系統(tǒng)已經(jīng)表達了興奮，”Chang說。“他們想用它來產(chǎn)生更多罕見疾病的例子。”

Chang說，未來的研究將調(diào)查在不同患者群體中使用更高分辨率的訓練圖像和更大的數(shù)據(jù)集。模型的改進版本可能會縮小腫瘤周圍的邊界，使它們看起來不會“疊加”。

這不是Nvidia研究人員第一次使用GAN改造腦部掃描。今年夏天，他們展示了一個 系統(tǒng)，可以CT掃描轉換成2D核磁共振和其它系統(tǒng)，可以與出眾的速度和準確性同一場景對齊兩個或更多的MRI圖像。