I ricercatori del MIT hanno costruito un algoritmo di apprendimento automatico in grado di registrare scansioni MRI e altre immagini 3D e confrontarle e analizzarle in pochi secondi.

Ciò riduce il tempo di esecuzione tradizionale di due ore o più fino a un solo secondo.

L'imaging medico, comprese le risonanze magnetiche e TC, non è solo un'innovazione medica, consentendo ai medici di confrontare e analizzare a fondo le differenze anatomiche, ma anche affari globali giganti con quasi $ 50 miliardi spesi per quasi 40 milioni di scansioni all'anno negli Stati Uniti da soli.

Tuttavia, questa tecnologia ampiamente utilizzata richiede ancora fino a due ore o più, rallentando le ricerche cliniche e limitando altre potenziali applicazioni.

"Gli algoritmi tradizionali per la registrazione delle immagini mediche sono proibitivamente lenti, rendendo improbabile che vengano utilizzati in molte situazioni cliniche", ha affermato Adrian Dalca, coautore e borsista postdottorato al Massachusetts General Hospital e Laboratorio di Informatica e Artificial Intelligence del MIT (CSAIL)e Guha Balakrishnan, coautore e uno studente laureato in CSAIL e il Dipartimento di ingegneria e informatica (EECS).  

I due documenti che descrivevano il loro algoritmo di apprendimento automatico erano presentato al Conferenza 2018 su Computer Vision e Pattern Recognition (CVPR) la scorsa settimana, e sarà presentato al 21st Conferenza internazionale sul medical imaging computing e computer assisted interventi (MICCAI) in Spagna, settembre 16-20.

Perchè ci mette tanto?

Nelle scansioni MRI, centinaia di immagini 2-D sovrapposte formano enormi immagini 3D, chiamate "volumi", contenenti un milione o più pixel 3D, chiamati "voxel".

Ad esempio, durante la scansione del cervello, la tecnica produce molte "fette" 2-D che vengono combinate per formare una rappresentazione 3D del cervello.

Ecco perché ci vuole molto tempo per allineare meticolosamente tutti i voxel nella prima scansione con quelli della seconda. Questo processo è reso più difficile quando le scansioni provengono da macchine diverse e diventa particolarmente lento quando si analizzano scansioni da grandi popolazioni.

Nei casi in cui i medici hanno bisogno di conoscere le variazioni delle strutture cerebrali in centinaia di pazienti con una particolare malattia o condizione, la sola scansione potrebbe potenzialmente richiedere centinaia di ore.

"Hai due diverse immagini di due diversi cervelli, li metti uno sopra l'altro e inizi a dimenarti finché non ci si innesta sull'altro. Matematicamente, questa procedura di ottimizzazione richiede molto tempo ", ha detto Dalca in una nota.

Tuttavia, invece di ricominciare da capo quando gli è stata fornita una nuova coppia di immagini, i ricercatori si sono chiesti cosa sarebbe successo se l'algoritmo fosse stato acquisito da scansioni precedenti.

"Dopo le registrazioni 100, dovresti aver imparato qualcosa dall'allineamento. Questo è ciò che sfruttiamo ", ha detto Balakrishnan in una dichiarazione.

Un algoritmo che impara

Il nuovo algoritmo di apprendimento automatico, denominato "VoxelMorph", è alimentato da una rete neurale convoluzionale (CNN), un approccio di machine learning comunemente usato per l'elaborazione delle immagini.

Queste reti sono costituite da molti nodi che elaborano l'immagine e altre informazioni attraverso diversi livelli di calcolo.

I ricercatori hanno addestrato VoxelMorph su 7,000 scansioni cerebrali MRI a disposizione del pubblico.

Durante l'allenamento, VoxelMorph ha registrato migliaia di coppie di immagini di scansione cerebrale. Il suo componente CNN e il trasformatore spaziale, uno strato computazionale modificato, hanno appreso tutte le informazioni necessarie su come allineare le immagini catturando gruppi simili di voxel in ogni coppia di scansioni MRI, come le forme anatomiche comuni a entrambe le scansioni.

Quindi, quando ha alimentato due nuove scansioni, VoxelMorph ha utilizzato i parametri stimati durante l'allenamento per calcolare rapidamente l'allineamento esatto di ogni voxel nelle nuove scansioni.

In breve, la componente CNN dell'algoritmo acquisisce tutte le informazioni necessarie durante l'allenamento in modo che, durante ogni nuova registrazione, l'intera registrazione possa essere eseguita utilizzando una valutazione della funzione facilmente calcolabile.

"Il compito di allineare una risonanza magnetica cerebrale non dovrebbe essere così diverso quando allinei un paio di risonanza magnetica cerebrale o un'altra", ha detto Balakrishnan in una dichiarazione.

"Ci sono informazioni che dovresti essere in grado di riportare nel modo in cui fai l'allineamento. Se sei in grado di imparare qualcosa dalla precedente registrazione delle immagini, puoi eseguire una nuova attività molto più velocemente e con la stessa accuratezza. "

A differenza di altri algoritmi che incorporano anche modelli CNN ma richiedono un altro algoritmo da eseguire per la prima volta per calcolare registrazioni accurate, VoxelMorph è "senza supervisione", il che significa che ha bisogno solo dei dati dell'immagine per calcolare una registrazione accurata.

Il risultato

Testato su scansioni aggiuntive 250, VoxelMorph ha registrato accuratamente tutti in due minuti utilizzando una unità di elaborazione centrale (CPU) tradizionale e in meno di un secondo utilizzando un'unità di elaborazione grafica (GPU).

"Nei nostri test e pubblicazioni iniziali, abbiamo elaborato un gran numero di immagini di ricerca, per aiutare a comprendere meglio la malattia. In questo scenario, il runtime VoxelMorph abbreviato può influire notevolmente sull'analisi ", hanno dichiarato Dalca e Balakrishnan.

Quindi, i ricercatori hanno ulteriormente perfezionato l'algoritmo VoxelMorph, quindi garantisce la "scorrevolezza" di ciascuna registrazione, il che significa che non produce pieghe, fori o distorsioni generali nell'immagine composita.

I ricercatori hanno utilizzato un modello matematico, chiamato punteggio Dice, una metrica standard per valutare l'accuratezza delle immagini sovrapposte, per convalidare l'accuratezza dell'algoritmo.

Hanno scoperto che, attraverso le regioni del cervello 17, il raffinato VoxelMorph ha ottenuto la stessa accuratezza di un algoritmo di registrazione allo stato dell'arte comunemente utilizzato, fornendo al tempo stesso miglioramenti runtime e metodologici.

Il prossimo passo

Oltre all'analisi delle scansioni cerebrali, VoxelMorph offre un'ampia gamma di nuove ricerche e applicazioni.

Per lo meno, VoxelMorph offre cure molto più efficienti per i pazienti. I medici possono ora allineare rapidamente le immagini mediche di un particolare paziente assunto prima e dopo un intervento chirurgico o un trattamento per valutare l'effetto della procedura.

"Considerando che i metodi precedenti erano proibitivamente lenti, il breve runtime VoxelMorph promette di consentire questo confronto non appena viene acquisita la scansione", hanno dichiarato Dalca e Balakrishnan. "Questa è una direzione del lavoro futuro per noi".

Inoltre, VoxelMorph può aprire la strada alla registrazione delle immagini durante le operazioni.

Attualmente, durante la resezione di un tumore al cervello, i chirurghi devono prima analizzare il cervello di un paziente prima e attendere fino a dopo l'operazione per vedere se hanno rimosso tutto il tumore. Se la rimozione è incompleta, devono tornare in sala operatoria.  

VoxelMorph, tuttavia, ha la capacità potenziale di registrare le scansioni quasi in tempo reale, in modo che i chirurghi possano avere un quadro molto più chiaro dei loro progressi.

"Oggi non possono sovrapporsi realmente alle immagini durante l'intervento chirurgico, perché ci vorranno due ore e l'intervento è in corso", ha detto Dalca in un comunicato. "Tuttavia, se ci vuole solo un secondo, puoi immaginare che potrebbe essere fattibile."

Attualmente i ricercatori eseguono l'algoritmo sulle immagini polmonari. E sono fiduciosi di vedere ulteriori miglioramenti.

"Stiamo lavorando per valutare automaticamente il risultato dell'allineamento delle immagini per aiutare i medici a capire dove possono essere presenti patologie, registrando scansioni cliniche di ictus di bassa qualità provenienti dall'ospedale e allineare le immagini polmonari per i pazienti con malattia polmonare", hanno detto Dalca e Balakrishnan. .