為了衡量手術是否成功，腦外科醫(yī)生通常會對比術前和術后的MRI掃描圖，以確定腫瘤是否被成功切除。由于對比過程非常耗時，如果在手術進行中做MRI掃描，醫(yī)生將不得不通過肉眼對比掃描圖的差異。但其實大腦在手術期間已經(jīng)發(fā)生了變化，這樣一來，掃描圖對比起來則更加困難。

更快速的MRI掃描圖對比方法可以幫助醫(yī)生更好地治療腦瘤。為此，麻省理工學院的研究人員開發(fā)出了一種深度學習解決方案，可以在一秒鐘內(nèi)對腦部MRI掃描圖進行對比。

該方案可以幫助外科醫(yī)生在手術期間對比術中MRI圖像，從而近乎實時地判斷手術是否成功。此外，腫瘤學家也可以利用這種方法對比患者數(shù)月前或數(shù)年前的MRI掃描圖，以快速分析腫瘤治療方案的效果。

像素極速對齊

如果要對比兩張MRI掃描圖，機器學習算法需要將原3D掃描圖的像素與另一張掃描圖中對應位置的像素進行逐一比較。這項工作并不輕松，使用目前最先進的算法也需要兩個小時才能對齊腦部掃描圖的像素。

這個過程太過漫長，所以對于正在進行的手術來說，并不具有實用意義。此外，如果需要分析成千上萬張的掃描圖，這種速度也是不切實際的。

“對于圖像中的每個像素，傳統(tǒng)算法都需要在另一張圖像中找到與之對應的大概位置。兩者的解剖結構在對應的位置也是相同的。這些算法要進行多次迭代?！?該研究主要研究員、麻省理工學院博士后Guha Balakrishnan說道。

使用神經(jīng)網(wǎng)絡則可以加速這個過程，因為其中增加了學習功能。研究人員開發(fā)的無監(jiān)督式算法名為VoxelMorph，可以學習未被標記的MRI掃描圖對，快速識別出大腦結構和功能區(qū)，并匹配圖像。他們使用了NVIDIA GPU進行推理，對齊一組掃描圖的像素只需要一秒鐘的時間，而使用CPU時則需要一分鐘之久。

研究人員在訓練神經(jīng)網(wǎng)絡時使用了一種被稱為“atlas-based registration”的方法，并利用了來自公共來源的含有大約7000張MRI掃描圖的多樣化數(shù)據(jù)集。該過程將每張訓練圖像與一張MRI參考掃描圖（一張理想的或一般的圖像，即“atlas”）進行對齊。

該團隊目前正在與馬薩諸塞州綜合醫(yī)院（Massachusetts General Hospital）合作，對其數(shù)據(jù)庫中的數(shù)百萬張掃描圖進行回顧性研究。

“過去需要耗時兩天才能完成的實驗現(xiàn)在只需要幾秒鐘，”麻省理工學院博士后研究員、該研究合著者 Adrian Dalca 說道，“這為研究開啟了一個嶄新的世界，像素對齊技術只是其中的一小步?！?/p>

發(fā)掘更多應用潛力

研究人員正在努力完善深度學習模型的性能，讓其能夠處理含有噪點的低質(zhì)量掃描圖。這是在臨床環(huán)境中運用掃描圖像素對齊技術的關鍵。

研究數(shù)據(jù)集中包含的掃描圖質(zhì)量良好、畫質(zhì)清晰，但需要患者在MRI機器中等待很久才能獲得?！暗牵绻颊咧酗L，就需要盡快掃描出圖像， 這種情況下得到的掃描圖的質(zhì)量則完全不同。” Dalca 說道。

該團隊將于今年秋季在醫(yī)學影像分析領域頂級會議MICCAI上發(fā)表一篇新論文。同時，Balakrishnan正在開發(fā)一種針對目前算法的變體，該算法將使用半監(jiān)督式學習，將少量標記數(shù)據(jù)與未標記的訓練數(shù)據(jù)集相結合。他發(fā)現(xiàn)該模型可以將神經(jīng)網(wǎng)絡的準確度提高8％，使其性能高于傳統(tǒng)的慢速算法。

Balakrishnan表示，除了腦部掃描外，這種像素對齊解決方案還可用于其他醫(yī)學圖像，如心臟和肺部CT掃描，甚至是噪點極多的超聲波掃描。“我覺得在某種程度上，它的應用潛力是無限的?！?/p>