""

澳门太阳城网站-最新注册

  • 澳门太阳城最新网站的研究人员已经开发出拾荒者更无标签的数据,这将有助于机器学习模型更好地发现与神经系统疾病有关的脑扫描结构模式标记的训练数据的系统。系统学习中未标记的扫描的结构和外观的变化,并使用该信息来塑造和模具一种标记的扫描到成千上万的新的,不同的标记的扫描。

    澳门太阳城最新网站的研究人员已经开发出拾荒者更无标签的数据,这将有助于机器学习模型更好地发现与神经系统疾病有关的脑扫描结构模式标记的训练数据的系统。系统学习中未标记的扫描的结构和外观的变化,并使用该信息来塑造和模具一种标记的扫描到成千上万的新的,不同的标记的扫描。

    研究人员礼貌

    全屏

From one brain scan, more information f要么 medical artificial intelligence

澳门太阳城最新网站的研究人员已经开发出拾荒者更无标签的数据,这将有助于机器学习模型更好地发现与神经系统疾病有关的脑扫描结构模式标记的训练数据的系统。系统学习中未标记的扫描的结构和外观的变化,并使用该信息来塑造和模具一种标记的扫描到成千上万的新的,不同的标记的扫描。

System helps machine-learning models glean training information f要么 diagnosing and treating brain conditions.


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
澳门太阳城最新网站新闻办公室

媒体资源

1张图片下载

媒体访问

Media can only be downloaded from the desktop version of this website.

MIT researchers have devised a novel method to glean more inf要么mation from images used to train machine-learning models, including those that can analyze medical scans to help diagnose and treat brain conditions.

在药物的有效新领域涉及培训的深学习模型来检测与神经系统疾病和障碍,如阿尔茨海默氏病和多发性硬化症相关的脑部扫描的结构模式。但收集训练数据是费力的:在每个扫描所有的解剖结构必须单独概述或由神经系统的专家手动地标记。并且,在某些情况下,如小儿罕见的脑部状况,只有少数扫描可以在第一时间可用。

在计算机视觉和模式识别在最近的一次会议提交了一份文件,美国澳门太阳城最新网站的研究人员描述了使用单一标记扫描,与未标记的扫描一起,能够自动合成的不同的训练例子大规模数据集的系统。该数据集可以用来更好地训练机器学习模型来发现新的扫描解剖结构 - 更多的训练数据,这些预测的要好。

工作的症结自动为“图像分割”的过程,由划分一个图像成更有意义和更容易分析的像素的区域产生的数据。这样做,该系统采用卷积神经网络(CNN),机器学习模型已经成为图像处理任务的重地。网络分析了很多不同的患者,不同的设备未标记的扫描来“取经”的解剖,亮度和对比度的变化。然后,它适用那些了解到变化,以一个单一的标记的扫描的随机组合,以合成新的扫描是既现实和准确地标记。然后这些新合成的扫描被馈送到不同的CNN说学会如何段新图像。

“我们希望这将使图像分割在你没有大量的训练数据的现实情况下更容易,”第一作者艾米照,一名研究生在电气工程和计算机科学(EECS)和部门说计算机科学和人工智能实验室(CSAIL)。 “在我们的方法,你可以学习模仿未标记扫描的变化来智能地合成一个大的数据集来训练你的网络。”

There’s interest in using the system, for instance, to help train predictive-analytics models at Massachusetts General Hospital, Zhao says, where only one 要么 two labeled scans may exist of particularly uncommon brain conditions among child patients.

Joining Zhao on the paper are: Guha Balakrishnan, a postdoc in EECS and CSAIL; EECS professors FREDO杜兰德 and 约翰·加塔, and senior auth要么 阿德里安dalca, who is also a faculty member in radiology at Harvard Medical School.

“神奇”制度背后

500 Internal Server Err要么- 澳门太阳城网站-最新注册

Internal Server Err要么

The server encountered an internal error and was unable to complete your request. Either the server is overloaded or there is an err要么 in the application.

赵,一名狂热的“神奇”的球员,想开发一个CNN供电的应用程序,把所有卡的照片与智能手机的摄像头和自动拉信息,如价格和评级从在线卡数据库。 “当我从游戏商店挑选出牌,我厌倦了进入他们的名字到我的手机和仰视收视率和连击的,”赵说。 “不会是真棒,如果我可以用我的手机扫描,然后拉起的信息?”

But she realized that’s a very tough computer-vision training task. “You’d need many photos of all 20,000 cards, under all different lighting conditions and angles. No one is going to collect that dataset,” Zhao says.

相反,赵培养了CNN上的大约200卡更小的数据集,与10张不同的每张卡的照片,来学习如何翘曲卡插入不同的位置。它计算不同的照明,角度和反射 - 至数据集中的任何卡的合成现实扭曲版本 - 当卡被放置在塑料套筒为。这是一个令人兴奋的激情的项目,赵说:“但我们意识到这种做法真的非常适合于医学图像,因为这种类型的翘曲适合真的很好用MRIS。”

经记

Magnetic resonance images (MRIs) are composed of three-dimensional pixels, called voxels. When segmenting MRIs, experts separate and label voxel regions based on the anatomical structure containing them. The diversity of scans, caused by variations in individual brains and equipment used, poses a challenge to using machine learning to automate this process.

Some existing methods can synthesize training examples from labeled scans using “data augmentation,” which warps labeled voxels into different positions. But these methods require experts to hand-write various augmentation guidelines, and some synthesized scans look nothing like a realistic human brain, which may be detrimental to the learning process.

Instead, the researchers’ system automatically learns how to synthesize realistic scans. The researchers trained their system on 100 unlabeled scans from real patients to compute spatial transf要么mations — anatomical correspondences from scan to scan. This generated as many “flow fields,” which model how voxels move from one scan to another. Simultaneously, it computes intensity transformations, which capture appearance variations caused by image contrast, noise, and other fact要么s.

在产生新的扫描,系统应用的随机流场到原来的标记的扫描,这移位围绕体素,直到它在结构上匹配的真实的,未标记的扫描。然后,它覆盖一个随机强度的转变。最后,系统映射标签的新结构,按照体素在流场中如何移动。最终,合成扫描酷似真实的,未标记的扫描 - 但有准确的标签。

测试他们的自动分割精度,研究人员使用骰子的分数,其测量一个3-d的形状如何装配在另一个上的0分至1他们比较了它们的系统与传统的分割方法 - 手动和自动 - 上30个不同的跨越100保留检验扫描大脑结构。大结构是所有方法中相当准确。但研究人员的系统优于上更小的结构,如海马,其仅占据约0.6脑的%(体积)所有其它方法。

“That shows that our method improves over other methods, especially as you get into the smaller structures, which can be very imp要么tant in understanding disease,” Zhao says. “And we did that while only needing a single hand-labeled scan.”

在点头工作的“法宝”根,代码公开 可在github上 下的游戏卡,一个名“头脑风暴”。


主题: 研究, 计算机科学与技术, 算法, 成像, 机器学习, 卫生保健, 医学, 卫生科学与技术, 老年痴呆症, 计算机科学和人工智能实验室 (CSAIL), Electrical Engineering & Computer Science (eecs), 工程学院

回到顶部