Les chercheurs du MIT ont mis au point une méthode qui accélère le processus de création et de personnalisation des modèles utilisés dans l'analyse d'images médicales, pour guider le diagnostic de la maladie.

Une utilisation de l'analyse d'images médicales consiste à analyser des ensembles de données d'images médicales de patients et à capturer des relations structurelles qui peuvent indiquer la progression des maladies. Dans de nombreux cas, l'analyse nécessite l'utilisation d'un modèle d'image commun, appelé un « atlas, " c'est une représentation moyenne d'une population de patients donnée. Les atlas servent de référence pour la comparaison, par exemple pour identifier les changements cliniquement significatifs dans les structures cérébrales au fil du temps.

Construire un modèle prend du temps, processus laborieux, prenant souvent des jours ou des semaines à générer, en particulier lors de l'utilisation d'analyses cérébrales en 3D. Gagner du temps, les chercheurs téléchargent souvent des atlas accessibles au public précédemment générés par des groupes de recherche. Mais ceux-ci ne capturent pas pleinement la diversité des ensembles de données individuels ou des sous-populations spécifiques, tels que ceux atteints de nouvelles maladies ou de jeunes enfants. Finalement, l'atlas ne peut pas être facilement mappé sur des images aberrantes, produisant des résultats médiocres.

Dans un article présenté à la Conférence sur les systèmes de traitement de l'information neuronale en décembre, les chercheurs décrivent un modèle d'apprentissage automatique automatisé qui génère des atlas « conditionnels » basés sur des attributs spécifiques des patients, comme l'âge, sexe, et la maladie. En tirant parti des informations partagées de l'ensemble d'un ensemble de données, le modèle peut également synthétiser des atlas à partir de sous-populations de patients qui peuvent être complètement absentes de l'ensemble de données.

"Le monde a besoin de plus d'atlas, " dit le premier auteur Adrian Dalca, un ancien post-doctorant au Laboratoire d'informatique et d'intelligence artificielle (CSAIL) et maintenant membre du corps professoral en radiologie à la Harvard Medical School et au Massachusetts General Hospital. "Les atlas sont au cœur de nombreuses analyses d'images médicales. Cette méthode peut en créer beaucoup plus et en créer également des conditionnelles."

Aux côtés de Dalca sur le papier, Marianne Rakic, un chercheur invité au CSAIL; John Guttag, le professeur Dugald C. Jackson d'informatique et de génie électrique et chef du groupe d'inférence axée sur les données du CSAIL; et Mert R. Sabuncu de l'Université Cornell.

Alignement et atlas simultanés

Les méthodes traditionnelles de construction d'atlas sont longues, processus d'optimisation itérative sur toutes les images d'un jeu de données. Ils s'alignent, dire, tous les scanners cérébraux en 3D vers un atlas initial (souvent flou), et calculer une nouvelle image moyenne à partir des balayages alignés. Ils répètent ce processus itératif pour toutes les images. Cela calcule un atlas final qui minimise la mesure dans laquelle tous les scans de l'ensemble de données doivent se déformer pour correspondre à l'atlas. Faire ce processus pour des sous-populations de patients peut être complexe et imprécis s'il n'y a pas suffisamment de données disponibles.

Mapper un atlas sur un nouveau scan génère un "champ de déformation, " qui caractérise les différences entre les deux images. Cela capture les variations structurelles, qui peut ensuite être analysé plus en détail. Dans les scintigraphies cérébrales, par exemple, les variations structurelles peuvent être dues à une dégénérescence tissulaire à différents stades d'une maladie.

Dans des travaux antérieurs, Dalca et d'autres chercheurs ont développé un réseau de neurones pour aligner rapidement ces images. En partie, qui a contribué à accélérer le processus traditionnel de construction de l'atlas. "Nous l'avons dit, « Pourquoi ne pouvons-nous pas créer des atlas conditionnels tout en apprenant à aligner les images en même temps ? » », explique Dalca.

Faire cela, les chercheurs ont combiné deux réseaux de neurones :un réseau apprend automatiquement un atlas à chaque itération, et un autre, adapté de la recherche précédente, aligne simultanément cet atlas sur les images d'un ensemble de données.

Dans la formation, le réseau commun reçoit une image aléatoire à partir d'un ensemble de données codé avec les attributs de patient souhaités. À partir de ce, il estime un atlas attribut-conditionnel. Le deuxième réseau aligne l'atlas estimé avec l'image d'entrée, et génère un champ de déformation.

Le champ de déformation généré pour chaque paire d'images est utilisé pour former une "fonction de perte, " un composant des modèles d'apprentissage automatique qui permet de minimiser les écarts par rapport à une valeur donnée. Dans ce cas, la fonction apprend spécifiquement à minimiser les distances entre l'atlas appris et chaque image. Le réseau affine en permanence l'atlas pour l'aligner en douceur sur n'importe quelle image donnée dans l'ensemble de données.

Atlas à la demande

Le résultat final est une fonction qui apprend comment des attributs spécifiques, comme l'âge, en corrélation avec les variations structurelles de toutes les images d'un jeu de données. En branchant de nouveaux attributs de patient dans la fonction, il exploite toutes les informations apprises dans l'ensemble de données pour synthétiser un atlas à la demande, même si ces données d'attribut sont manquantes ou rares dans l'ensemble de données.

Supposons que quelqu'un veuille un atlas d'analyses cérébrales pour une patiente de 45 ans à partir d'un ensemble de données contenant des informations sur des patients âgés de 30 à 90 ans, mais avec peu de données pour les femmes âgées de 40 à 50 ans. La fonction analysera les tendances de l'évolution du cerveau entre 30 et 90 ans et intégrera le peu de données existantes pour cet âge et ce sexe. Puis, il produira l'atlas le plus représentatif des femmes de l'âge souhaité. Dans leur papier, les chercheurs ont vérifié la fonction en générant des modèles conditionnels pour différents groupes d'âge de 15 à 90 ans.

Les chercheurs espèrent que les cliniciens pourront utiliser le modèle pour créer rapidement leurs propres atlas à partir du leur, des ensembles de données potentiellement petits. Dalca collabore désormais avec des chercheurs du Massachusetts General Hospital, par exemple, exploiter un ensemble de données d'analyses cérébrales pédiatriques pour générer des atlas conditionnels pour les jeunes enfants, qui sont difficiles à trouver.

Un grand rêve est de construire une fonction qui puisse générer des atlas conditionnels pour n'importe quelle sous-population, allant de la naissance à 90 ans. Les chercheurs pourraient se connecter à une page Web, entrer un âge, sexe, maladies, et d'autres paramètres, et obtenez un atlas conditionnel à la demande. "Ce serait merveilleux, parce que tout le monde peut se référer à cette seule fonction comme une seule référence universelle d'atlas, " dit Dalca.

Une autre application potentielle au-delà de l'imagerie médicale est l'entraînement sportif. Quelqu'un pourrait former la fonction pour générer un atlas pour, dire, mouvement de service d'un joueur de tennis. Le joueur pouvait ensuite comparer les nouveaux services avec l'atlas pour voir exactement où ils gardaient une bonne forme ou où les choses se sont mal passées.

"Si vous regardez du sport, ce sont généralement les commentateurs qui disent avoir remarqué si le formulaire de quelqu'un était erroné à un moment donné par rapport à un autre, ", dit Dalca. "Mais vous pouvez imaginer que cela pourrait être beaucoup plus quantitatif que cela."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.