MIT新算法快1000倍、分析3D医学影像
http://bit.ly/2IVzVwv
麻省理工学院的研究人员，在2018年6月举行的电脑视觉及图型辨识学报(CVPR)会议，以
及即将在9月举行的医学电脑影像和辅助干预学报(MICCAI)会议上发表论文，内容描述了
一种新的机器学习算法，可对脑部进行快速扫描并比对，甚至对其他3D影像，且比传统
技术快了1000倍以上。
在传统的方法上，MRI扫描基本上是堆叠数百张2D影像，形成大量的3D影像，称为”体积
(volumes)”，其包含了一百万或更多的3D像素，称为”体像素(voxels)”。因此，将第
一个体积中的所有体像素与第二个体积中的体像素校准比对是非常耗时的。此外，扫描影
像可能来自不同的机器与具有不同的空间取向，这表示著在比对匹配体像素(voxels)的计
算上，甚至会变得更复杂。在分析来自大量人们的扫描影像时，此过程会变得特别慢。例
如，神经科学家分析数百名患有特殊疾病或病症患者的脑部结构变化，可能需花上数百小
时。
因为旧有的算法存在着一个缺陷，因为它们从不学习，每次校准比对后，它们就会消除
与体像素位置有关的所有数据，每当出现一组新的影像时，它们会再从头开始。因此，
MIT研究人员的发展的新算法称为”VoxelMorph”，搭载着卷积神经网络(CNN)，这是一
种常用于影像处理的机器学习方法。这些网络由许多节点组成，这些节点跨越多个计算层
来处理影像和其它资讯。
在CVPR论文中，研究人员利用7,000个公开可用的MRI脑部扫描影像，来训练他们的算法
，然后另外测试新的250个扫描影像。在训练期间，脑部扫描影像成对地送入算法，利
用CNN和修改计算层的空间变换器，在一次MRI扫描影像中获取与另一次扫描影像中相似的
体像素。因此，该算法学习到有关于体像素群的资讯，例如两个扫描影像共有的解剖学
形状，其可应用于计算任何扫描成对影像的最佳化参数。
当进行两次新扫描时，一个简单的数学”函数”会利用这些最佳化参数来快速计算两次扫
描影像中每个体像素的精确校准。简单来说，算法的CNN组件在训练期间会获取所有必
要的资讯，使得在每次新的校准比对期间，可以利用一个容易计算的函数来执行整个校准
比对与评估。
研究人员发现，他们的算法可以利用传统的中央处理器(一般电脑)在两分钟内准确地校
准比对他们的250个测试脑扫描影像，而利用GPU(图形处理器)则可在一秒内就完成比对。
重要的是，该算法是”无监督的(unsupervised)”，这表示着它不需要超出影像数据的额
外资讯，也可以在没有准确的校准数据情况下保持其准确性。在17个大脑区域中，精炼过
的VoxelMorph算法与常用的最先进的校准算法具有相同的准确性，同时提供在运行期
间和方法上的改进。
除了分析大脑扫描影像外，此种快速算法还有其它广泛的潜在应用，肺部影像算法。
该算法也为在操作过程中的影像校准技术铺平道路。例如，当切除脑部肿瘤时，外科医生
有时会在手术前后扫描患者的大脑，在短时间内，检视他们是否已经切除了所有的肿瘤，
如果还有一点，他们即可回到手术室，继续完成手术。
结语
MIT此种快速的影像校准算法将改变传统的医学辨识方法，可提高病症的辨识准确性、
降低人为辨识出错率，以及缩短校准比对时间，当时间缩短到几分钟内或几秒内，即可当
下决定临床决策，而无需等待候时与多次进出医院，对于医生与患者带来的不只是时间上
的效益，也带来及早发现病兆立即处置之时机。