人工知能（AI）システムはアーキテクチャ上の観点からも多様ですが、それらが共有している共通の要素はデータセットです。 問題は、大きなサンプルサイズはしばしば精度の結果です（Google DeepMindの子会社による最先端の診断システムは7,500人の患者から15,000スキャンを必要としました）。また、一部のデータセットは他のものよりも見つけにくいです。
Nvidia、Mayo Clinic、およびMGHおよびBWH Clinical Data Science Centerの研究者らは、問題に対する解決策を提示していると信じています。トレーニングデータを生成するニューラルネットワーク（具体的には、合成3次元磁気共鳴画像 MRI）を含む。 それは、今日（米国時間）に発表された論文（「Generative Adversarial Networksを使用したデータ増強と匿名化のための医療画像合成」）に記載されています 医療画像コンピューティングとコンピュータ支援介入 グラナダ、スペインでの会議。
Nvidiaの上級研究者であり、この論文の主任著者であるHu Chang氏は、電話インタビューでVentureBeatに語った。「神経ネットワークの訓練に使用できる脳画像を初めて生成することができます。
FacebookのPyTorchディープ学習フレームワークを使用して開発され、Nvidia DGXプラットフォームで訓練されたAIシステムは、一般的な敵対ネットワーク（GAN）を活用します。 ジェネレータ サンプルと 弁別器、 生成されたサンプルと現実のサンプルとを区別しようと試みる – 異常な脳の納得のいくMRIを作成する。
GANを訓練し、脇性能試験のための悪童」264件の研究の20％を設定する – アルツハイマー病神経画像イニシアティブ（ADNI）とマルチモーダル脳腫瘍画像セグメンテーションベンチマーク（悪童） – チームは2つの公に利用可能なデータセットを調達しました。 メモリとコンピューティングの制約により、チームは256 x 256 x 108から128 x 128 x 54の解像度でスキャンをダウンサンプリングしましたが、比較のために元の画像が使用されていました。
ADNIの画像を与えられたジェネレータは、ADNIの画像を与えられた合成脳スキャン（白質、灰白質、脳脊髄液で完成）を作成することを学んだ。 次に、BRATSデータセットに緩やかに設定すると、腫瘍で完全なセグメンテーションが生成されました。
GANはスキャンに注釈をつけました。これは人間の専門家の時間のチームを取ることができるタスクです。 また、脳と腫瘍の解剖学的構造を2つの異なるラベルとして扱ったため、研究者は腫瘍の大きさや位置を変更したり、健康な脳のスキャンに「移植する」ことができました。
「条件付きGANはこれに完全に適している」とChang氏は語った。 “[それは]生成されたイメージが匿名であるため[患者のプライバシー問題を取り除くことができます]。
だからどうしたの？ チームが実際の脳スキャンとGANによって生成された合成脳スキャンの組み合わせを使用して機械学習モデルを訓練したとき、実際のデータだけで訓練されたモデルよりも80％の精度が14％向上しました。
「システムを見せてくれた多くの放射線医師が興奮を表明している」とチャン医師は述べた。 “彼らは希少疾患の例をさらに生み出すためにそれを使用したいと考えています。
今後の研究では、多様な患者集団にわたるより高解像度のトレーニング画像とより大きなデータセットの使用を検討する予定である、とチャン氏は述べた。 そしてモデルの改良版は、腫瘍の周りの境界を縮小して、「重ね合わせて」見えないようにするかもしれません。
Nvidiaの研究者が脳スキャンの変換にGANを採用したのは初めてのことではありません。 今年の夏、彼らは システム CTスキャンを2D MRIに変換することができます 別のシステム 同じシーン内の2つ以上のMRI画像を優れた速度と精度で整列させることができます。