使用机器学习识别脑肿瘤的能力

根据细胞类型、侵袭性和肿瘤分期，原发性脑肿瘤涵盖了广泛的肿瘤。精确表征肿瘤是治疗计划的一个关键方面。这是目前由训练有素的放射科医生保留的任务，但在未来，计算，尤其是高性能计算将发挥辅助作用。

乔治比罗斯(George Biros)是美国得克萨斯大学奥斯汀分校的机械工程教授，他是国际海洋考察理事会并行数据分析和模拟算法小组的负责人。近十年来，他一直致力于创造最精确、最高效的能够表征胶质瘤的计算算法。侵袭性原发性脑肿瘤。

在第20届国际医学图像计算与计算机辅助干预会议(MICCAI 2017)上，Biros与宾夕法尼亚大学(由克里斯特斯达瓦兹科斯教授领衔)、休斯顿大学(由Andreas Mang教授领衔)和斯图加特大学(由Miriam Mehl教授领衔)介绍了一种新的全自动方法的结果，该方法将肿瘤生长的生物物理模型与机器学习算法相结合，分析胶质瘤患者的磁共振(MR)成像数据。新方法的所有组件都由德克萨斯高级计算中心(TACC)的超级计算机实现。

比洛斯的团队在2017年多模态脑肿瘤分割挑战(BRaTS'17)中测试了他们的新方法。在这一年一度的比赛中，来自世界各地的研究团队介绍了计算机辅助脑肿瘤识别和分类的方法和结果，不同的方法采用术前MR扫描检查癌症区域的类型。

他们的系统在挑战中得分最高，达到25%，在整个肿瘤分割中接近最高。

Biros说：“竞争与胶质瘤患者的异常组织特征有关，这是原发性脑肿瘤最常见的形式。”“我们的目标是拍摄图像并自动绘制轮廓，并识别不同类型的异常组织——水肿、增强肿瘤(具有高度侵袭性肿瘤的区域)和坏死组织。这类似于拍摄家庭成员的照片和面部识别来识别每个成员，但在这里您必须识别组织，所有这些都必须自动完成。”

以及训练和测试预测管道。

为了应对这一挑战，Biros和他的十几名学生和研究人员组成的团队提前获得了300组大脑图像，所有团队都在这些图像上校准了他们的方法(在机器学习中称为“训练”)。

在挑战的最后部分，140名患者的数据被提供给每组，他们必须在两天内定位肿瘤并将其分成不同的组织类型。

“在48小时的窗口中，我们需要我们能得到的所有处理能力，”Biros解释说。

Biros和他的团队使用的图像处理、分析和预测过程包括两个主要步骤：监督机器学习步骤，其中计算机为目标类别(“整个肿瘤”、“水肿”和“肿瘤核心”)创建概率图。第二步是将这些概率与生物物理模型相结合，以数学方式表达肿瘤的生长模式，这给分析带来了限制，并有助于找到相关性。

TACC的计算资源使Biros的团队能够使用大规模最近邻分类器(一种机器学习方法)。对于MR脑图像中的每一个体素或三维像素，系统会尝试寻找脑中所有已经看到的相似体素，从而判断该区域是肿瘤还是非肿瘤。

标签：