英伟达的研究人员开发了人工智能系统

人工智能(A I)系统从体系结构的角度来看是多种多样的，但它们都有一个共同的组成部分：数据集。 问题是，大量样本的大小往往是准确性的必然结果(谷歌的DeepMind子公司的一个最先进的诊断系统需要来自7500名患者的15000次扫描)，而且有些数据集比其他数据集更难找到。

来自Nvidia、Mayo诊所、MGH和BWH临床数据科学中心的研究人员认为，他们有一个解决问题的办法：一个神经网络，它本身产生训练数据-特别是癌症肿瘤大脑的合成三维磁共振图像(MR I)。 今天在西班牙格拉纳达的医学图像计算和计算机辅助干预会议上发表了一篇论文(“利用生成对抗性网络进行数据增强和匿名化的医学图像合成”)。

“我们表明，我们第一次可以生成大脑图像，可以用来训练神经网络，”Nvidia的高级研究科学家、论文的主要作者胡昌在电话采访中对Venture Beat说。

人工智能系统是利用Face book的Py火炬深度学习框架开发的，并在NvidiaD GX平台上进行培训，利用生成对抗性网络(GAN)-一个由Ageneratorthat组成的两部分神经网络产生样本和adiscrinator，试图区分生成的样本和现实世界的样本-以创造令人信服的异常大脑MRI。

该小组获得了两个公开可用的数据集-阿尔茨海默病神经成像倡议(ADNI)和多模态脑肿瘤图像分割基准(BRATS)-来训练GAN，并留出了20%的BRATS264研究的性能测试。 内存和计算限制迫使团队将扫描从256x256x108到128x128x54的分辨率缩小，但他们使用原始图像进行比较。

该发生器，从ADNI输入图像，学会产生合成的脑扫描(完整的白质，灰质和脑脊髓液)，给出一个图像从ADNI。 接下来，当在BRATS数据集上设置松散时，它会生成与肿瘤的完整分割。

GAN对扫描进行了注释，这项任务需要一组人类专家的时间。 而且，由于它将大脑和肿瘤解剖作为两个不同的标签，它允许研究人员改变肿瘤的大小和位置，或者“移植”它来扫描健康的大脑。

“有条件的GaN非常适合这种情况，”张说。 “[它可以]消除病人的隐私问题[因为]生成的图像是匿名的。

那它怎么样? 当团队使用真实的大脑扫描和GAN产生的合成大脑扫描相结合来训练机器学习模型时，它达到了80%的准确率-比仅用实际数据训练的模型要好14%。

张说：“许多放射科医生我们已经证明这个系统表达了兴奋。 “他们想用它来制造更多罕见疾病的例子。

张说，未来的研究将调查高分辨率训练图像和更大的数据集在不同患者群体中的使用。 而改进后的模型可能会缩小肿瘤周围的边界，使它们看起来不“叠加”。

这不是Nvidia研究人员第一次使用GANS来转换大脑扫描。 今年夏天，他们展示了一个系统，可以将CT扫描转换为2DMRI和另一个系统，可以在同一场景中对两个或多个MRI图像进行更好的速度和准确性。