- PVSM.RU - https://www.pvsm.ru -

Нейросеть научилась определять возраст мозга по МРТ

image

С возрастом когнитивные способности человека снижаются. Нейробиологам давно известно, что это снижение коррелирует с физическими изменениями в головном мозге [1]. Увидеть первые признаки старения или даже определить возраст мозга [1] можно с помощью МРТ, а разница между возрастом мозга [1] и хронологическим возрастом человека помогает выявить нейродегенеративные заболевания на начальных стадиях.

Такой анализ зачастую является очень долгим, поскольку данные МРТ нужно детально обработать, прежде чем запустить автоматизированные процессы распознавания старения: удалить с изображения кости черепа, разделить серое и белое вещество и другие ткани, а также удалить артефакты изображения, включая различные способы сглаживания изображения. Вся обработка может занять более 24 часов, и это препятствие для врачей, надеющихся принимать во внимание возраст головного мозга [1] пациента в процессе клинической диагностики. Ученые из Королевского колледжа в Лондоне [2]нашли способ ускорить этот процесс.

Джованни Монтана и его команда натренировали сверточную нейронную сеть (CNN [3]) для измерения возраста мозга [1] с использованием исходных данных из сканера МРТ. Методика глубинного обучения [4] занимает всего несколько секунд и может дать врачам точное представление о возрасте мозга [1], пока пациент находится в сканере.

Метод является стандартной техникой глубинного обучения. Монтана и его команда использовали томограммы мозга [1] более 2000 здоровых людей в возрасте от 18 до 90 лет. Ни у кого из них не было выявлено неврологических заболеваний, которые могли бы повлиять на их мозг [1]. Поэтому возраст мозга [1] должен соответствовать возрасту участников эксперимента в паспорте.

Каждый скан представляет собой Т-1 взвешенное изображение. На таком изображении жидкости в головном мозге [1] проявляются более темным цветом, белое вещество светлым, серое вещество – серым, жир – ярким цветом. Такое сканирование обычно проводят для исследований грудной клетки, опорно-двигательного аппарата, брюшной полости и головного мозга [1].

image
Пример нейровизуализации входных данных для использования в моделях прогнозирования возраста. А — серое вещество в осевой проекции, В — белое вещество в осевой проекции, С — «сырые» или минимально обработанные Т1-взвешенные изображения.

На каждом снимке ученые отметили хронологический возраст пациента. Команда использовала 80% изображения для обучения сверточной нейронной сети, чтобы определить возраст человека, учитывая скан их мозга [1]. Еще 200 изображений ушло на проверку работоспособности сети. Наконец, они испытали нейронную сеть на 200 изображениях, которые она еще не видела, чтобы определить, насколько хорошо она справляется с определением возраста мозга [1].

В то же время, команда сравнила результаты глубинного подхода с традиционным способом определения возраста мозга [1]. Он требует значительной обработки изображения для идентификации, в том числе белого и серого вещества в мозге [1] с последующим статистическим анализом – регрессии на основе гауссовских процессов [5].

Результаты оказались довольно интересными. И глубинное обучение, и статистический анализ точно определяют хронологический возраст пациентов при введении данных для анализа в препроцессированной форме [6]. Оба метода так или иначе работают с погрешностью менее 5 лет при определении точного возраста головного мозга [1].

image
Точность CNN и регрессии на основе гауссовских процессов при анализе 200 изображений. Хронологический возраст (ось Х), предполагаемый возраст мозга [1] (ось Y). А — результаты CNN, B — результаты регрессии на основе гауссовских процессов, С — результаты CNN при анализе необработанных Т1-взвешенных изображений. r — коэффициент корреляции возраста мозга [1] и хронологического возраста со всех графиков.

Тем не менее, глубинное изучение демонстрирует свое явное превосходство при анализе исходных данных МРТ, где сеть определяет правильный возраст со средней погрешностью 4,66 лет. В отличие от CNN, стандартный метод регрессии на основе гауссовских процессов хуже справился с задачей: средняя погрешность составила почти 12 лет.

Более того, глубинное обучение занимает всего несколько секунд по сравнению с 24 часами предварительной обработки, необходимой для стандартного метода. Единственная обработка данных, необходимая для сверточной нейронной сети, должна определить последовательность ориентации изображения и размеры воксела [7] между ними. Для врачей это важно: после внедрения соответствующего программного обеспечения, данные о возрасте мозга [1] пациента можно получить, когда тот еще находится в сканере.

Команда также сравнила изображения, полученные с использованием различных сканеров, чтобы показать, что метод можно применить для сканов, собранных с разных машин в разных частях мира. Помимо этого они сравнили возраст мозга [1] 62 женщин-близнецов, чтобы показать, как возраст мозга [1] связан с генетическими факторами. В ходе этого исследования ученые выявили высокую наследуемость уровня старения мозга [1], которая с возрастом неминуемо снижается. Считается, что экологические факторы становятся более значимыми с течением времени, и здесь ученые наметили перспективное направление будущих исследований.

Результат работы Монтаны и его команды обладает потенциалом повлиять на то, как врачи определяют верный диагноз. Есть немало свидетельств, что такие заболевания, как диабет, шизофрения и травматические повреждения головного мозга [1] коррелируют с более быстрым его старением. Таким образом, быстрое и точное измерение старения мозга [1] может значительно повлиять на то, как врачи в будущем будут справляться с этими заболеваниями.

Научная работа опубликована на arXiv.org (Arxiv: 1612,02572 [8] [stat.ML])

Автор: krasandm

Источник [9]


Сайт-источник PVSM.RU: https://www.pvsm.ru

Путь до страницы источника: https://www.pvsm.ru/iskusstvenny-j-intellekt/220753

Ссылки в тексте:

[1] мозге: http://www.braintools.ru

[2] Королевского колледжа в Лондоне : https://ru.wikipedia.org/wiki/%D0%9A%D0%B8%D0%BD%D0%B3%D1%81-%D0%BA%D0%BE%D0%BB%D0%BB%D0%B5%D0%B4%D0%B6_(%D0%9B%D0%BE%D0%BD%D0%B4%D0%BE%D0%BD)

[3] CNN: https://ru.wikipedia.org/wiki/%D0%A1%D0%B2%D1%91%D1%80%D1%82%D0%BE%D1%87%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C

[4] глубинного обучения: https://ru.wikipedia.org/wiki/%D0%93%D0%BB%D1%83%D0%B1%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5

[5] гауссовских процессов: https://ru.wikipedia.org/wiki/%D0%93%D0%B0%D1%83%D1%81%D1%81%D0%BE%D0%B2%D1%81%D0%BA%D0%B8%D0%B9_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D1%81

[6] препроцессированной форме: https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D1%81%D0%BE%D1%80

[7] воксела: https://ru.wikipedia.org/wiki/%D0%92%D0%BE%D0%BA%D1%81%D0%B5%D0%BB

[8] Arxiv: 1612,02572: https://arxiv.org/abs/1612.02572

[9] Источник: https://geektimes.ru/post/283684/