根據細胞類型、侵襲性和腫瘤分期，原發(fā)性腦腫瘤涵蓋了廣泛的腫瘤。精確表征腫瘤是治療計劃的一個關鍵方面。這是目前由訓練有素的放射科醫(yī)生保留的任務，但在未來，計算，尤其是高性能計算將發(fā)揮輔助作用。
喬治比羅斯(George Biros)是美國得克薩斯大學奧斯汀分校的機械工程教授，他是國際海洋考察理事會并行數據分析和模擬算法小組的負責人。近十年來，他一直致力于創(chuàng)造最精確、最高效的能夠表征膠質瘤的計算算法。侵襲性原發(fā)性腦腫瘤。
在第20屆國際醫(yī)學圖像計算與計算機輔助干預會議(MICCAI 2017)上，Biros與賓夕法尼亞大學(由克里斯特斯達瓦茲科斯教授領銜)、休斯頓大學(由Andreas Mang教授領銜)和斯圖加特大學(由Miriam Mehl教授領銜)介紹了一種新的全自動方法的結果，該方法將腫瘤生長的生物物理模型與機器學習算法相結合，分析膠質瘤患者的磁共振(MR)成像數據。新方法的所有組件都由德克薩斯高級計算中心(TACC)的超級計算機實現。
比洛斯的團隊在2017年多模態(tài)腦腫瘤分割挑戰(zhàn)(BRaTS'17)中測試了他們的新方法。在這一年一度的比賽中，來自世界各地的研究團隊介紹了計算機輔助腦腫瘤識別和分類的方法和結果，不同的方法采用術前MR掃描檢查癌癥區(qū)域的類型。
他們的系統(tǒng)在挑戰(zhàn)中得分最高，達到25%，在整個腫瘤分割中接近最高。
Biros說：“競爭與膠質瘤患者的異常組織特征有關，這是原發(fā)性腦腫瘤最常見的形式?！薄拔覀兊哪繕耸桥臄z圖像并自動繪制輪廓，并識別不同類型的異常組織——水腫、增強腫瘤(具有高度侵襲性腫瘤的區(qū)域)和壞死組織。這類似于拍攝家庭成員的照片和面部識別來識別每個成員，但在這里您必須識別組織，所有這些都必須自動完成?！?
以及訓練和測試預測管道。
為了應對這一挑戰(zhàn)，Biros和他的十幾名學生和研究人員組成的團隊提前獲得了300組大腦圖像，所有團隊都在這些圖像上校準了他們的方法(在機器學習中稱為“訓練”)。
在挑戰(zhàn)的最后部分，140名患者的數據被提供給每組，他們必須在兩天內定位腫瘤并將其分成不同的組織類型。
“在48小時的窗口中，我們需要我們能得到的所有處理能力，”Biros解釋說。
Biros和他的團隊使用的圖像處理、分析和預測過程包括兩個主要步驟：監(jiān)督機器學習步驟，其中計算機為目標類別(“整個腫瘤”、“水腫”和“腫瘤核心”)創(chuàng)建概率圖。第二步是將這些概率與生物物理模型相結合，以數學方式表達腫瘤的生長模式，這給分析帶來了限制，并有助于找到相關性。
TACC的計算資源使Biros的團隊能夠使用大規(guī)模最近鄰分類器(一種機器學習方法)。對于MR腦圖像中的每一個體素或三維像素，系統(tǒng)會嘗試尋找腦中所有已經看到的相似體素，從而判斷該區(qū)域是腫瘤還是非腫瘤。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯系刪除！