人工智能系统在体系结构方面各不相同，但它们都有一个共同的组成部分：数据集。问题是，大量样本的大小往往是准确性的必然结果(谷歌DeepMind子公司的一个最先进的诊断系统需要7500名患者进行15000次扫描)，一些数据集比其他数据集更难找到。

来自英伟达、梅奥诊所、MGH和BWH临床数据科学中心的研究人员认为，他们已经找到了解决问题的办法：神经网络，它本身会生成训练数据——尤其是癌症和肿瘤患者大脑的合成三维磁共振图像(MR I)。今天，一篇论文(“使用生成对抗网络的数据增强和匿名医学图像合成”)在西班牙格拉纳达的医学图像计算和计算机辅助干预会议上发表。

该论文的主要作者、英伟达高级研究科学家胡昶在电话采访中告诉Venture Beat:“我们首次表明，我们可以生成可用于训练神经网络的大脑图像。

该人工智能系统采用《脸书Py Torch深度学习框架》开发，在NvidiaD GX平台上进行训练。生成对抗网络(GAN)是由Ageneratorthat组成的两部分神经网络，用于生成样本和识别器，试图将生成的样本与真实世界的样本区分开来，以创建令人信服的异常脑MRI。

该团队获得了两个公开可用的数据集——阿尔茨海默神经成像倡议(ADNI)和多模态脑肿瘤图像分割基准(BRATS264来训练GAN，并留出了BRATS264研究的20%的性能测试。内存限制迫使该团队将扫描分辨率从256x256x108降低到128x128x54，但他们使用原始图像进行比较。

该发生器输入来自ADNI的图像，学习生成合成大脑扫描(完整的白质、灰质和脑脊液)，并给出来自ADNI的图像。接下来，当BRATS数据集上的设置松动时，它将生成与肿瘤的完整分割。

GAN评论扫描，这个任务需要一群人类专家的时间。此外，因为它使用大脑和肿瘤解剖作为两个不同的标签，它允许研究人员改变肿瘤的大小和位置，或者“移植”它来扫描健康的大脑。

“有条件的GaN非常适合这种情况，”张说。“[它可以]消除患者的隐私问题[因为]生成的图像是匿名的。

怎么样？当团队使用GAN生成的真实脑扫描和合成脑扫描的组合来训练机器学习模型时，它比只使用实际数据训练的模型取得了80%-14%的准确率。

张说：“许多放射科医生已经证明，这个系统表达了兴奋。”他们想用它来创造更多罕见疾病的例子。

张说，未来的研究将调查不同患者群体中高分辨率训练图像和更大数据集的使用情况。然而，改进的模型可以减少肿瘤周围的边界，使得它们看起来不“重叠”。

这不是英伟达研究人员第一次使用GANS转换大脑扫描。今年夏天，他们演示了一个可以将CT扫描转换为2DMRI的系统，以及另一个可以在同一场景中对两幅或多幅MRI图像执行更好的速度和精度的系统。

版权说明： 本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

标签：