Nvidia的研究人员开发了能够生成脑癌合成扫描的AI系统

人工智能（AI）系统从建筑的角度来看是多种多样的，但它们共有一个共同的组成部分：数据集。问题是，大样本量通常是准确性的必然结果（Google的DeepMind子公司的最先进的诊断系统需要来自7,500名患者的15,000次扫描），并且有些数据集比其他数据集更难找到。

来自Nvidia梅奥诊所，以及MGH和BWH临床数据科学中心的研究人员相信他们已经提出了解决问题的方法：一个本身产生训练数据的神经网络，特别是合成的三维磁共振图像（核磁共振成像患有癌性肿瘤。它今天在西班牙格拉纳达举行的医学图像计算和计算机辅助干预会议上发表的论文（“使用生成性对抗网络进行数据增强和匿名化的医学图像合成”）中进行了描述 。

“我们首次声明，我们可以生成可用于训练神经网络的大脑图像，”Nvidia的高级研究科学家，该论文的第一作者胡昌在电话采访中告诉VentureBeat。

AI系统是使用Facebook的PyTorch深度学习框架开发并在Nvidia DGX平台上训练的，它利用了一般的对抗网络（GAN）， 一个由生成样本的发生器和鉴别器组成的两部分神经网络，试图区分生成的样本和现实样本，创建令人信服的脑异常核磁共振成像。

该团队采购了两个公开可用的数据集，阿尔茨海默氏病神经影像学计划（ADNI）和多模式脑肿瘤图像分割基准（BRATS），来训练GAN，并将20％的BRATS 264研究用于性能测试。内存和计算限制迫使团队将扫描的分辨率从256 x 256 x 108降至128 x 128 x 54，但他们使用原始图像进行比较。

来自ADNI的生成器，从ADNI获得图像，学习了合成脑部扫描（包括白质，灰质和脑脊髓液）。接下来，当在BRATS数据集上松散时，它会生成带有肿瘤的完整分割图。

GAN对扫描进行了注释，这项任务让人类专家团队则需要花费数小时。并且因为它将大脑和肿瘤解剖学视为两个不同的标签，它允许研究人员改变肿瘤的大小和位置，或者将其“移植”到健康大脑的扫描中。

“有条件的GAN非常适合这种情况，”Chang说。“它可以消除患者的隐私问题，因为生成的图像是匿名的。”

当团队使用由GAN产生的真实脑部扫描和合成脑部扫描的组合训练机器学习模型时，实现了80％的准确性，比仅在实际数据上训练的模型好14％。

“许多放射科医生对这个系统很赶兴趣，”Chang说。“他们想用它来发现更多罕见疾病的例子。”

Chang说，未来的研究将调查在不同患者群体中使用更高分辨率的训练图像和更大的数据集。模型的改进版本可能会缩小肿瘤周围的边界，使它们看起来不会“叠加”。

这不是Nvidia研究人员第一次使用GAN转换脑部扫描。今年夏天，他们展示了一个系统，可以CT扫描转换成2D核磁共振和其它系统，可以以出众的速度和准确性，在同一场景对齐两个或更多的MRI图像。