MIT利用机器学习技术 将MRI比对程序缩短至2分钟

为诊断患者病情变化，医师们常常需要将患者的核磁共振造影(MRI)扫描旧片与新片进行比对，来判断是否有转移、扩大或缩小等迹象。尽管影像结果可马上出来，但在判读时却需要相当谨慎，必须仔细观察、比对并参考旧片或前一次检查结果，才考书写详细报告供临床医师参考。

因为为求精准，必须进行逐个像素(pixel)的对齐比对，即便透过现有系统进行比对，仍需花上约2小时时间。不但对患者造成心理压力，同时也浪费医师不少宝贵时间。

核磁共振是指电子核在静止磁场中，受电磁波激发而产生的共振现象；而MRI则是利用磁场原理，使仪器改变体内氢原子的旋转排列方向，原子核就会释放吸收的能量，能量激发后放出电磁波讯号，再经由计算机分析组合成影像。

MRI扫描基本上是一系列不同角度的2D影像再组合成一张3D影像。而现有的算法要扫描述百万的3D像素，需要花上相当长的时间；此外，现有算法也无法在每次扫描中学习，因此即便针对同一患者进行多次MRI扫描，系统也等同首次重新比对，相当浪费时间。

现在麻省理工学院(MIT)研究人员已研发出名为「VoxelMorph」的机器学习算法，预计可将医疗影像纪录比对时间从2小时大幅缩短至2分钟。透过机器学习技术，VoxelMorph可在记录像像时进行学习，为每次扫描创造完美的比对。在初期训练后，所学习到的参数将用于一次便测绘所有的像素。

VoxelMorph是由卷积神经网络(CNN)支持。CNN是一种前馈神经网络，是由一个或多个卷基层和顶端的全连通层以及池化层(pooling layer)组成；此结构使得CNN能够利用输入数据的2D结构，在影像和语音辨识方面的威力相当强大，亦可用于反向传播算法进行训练。相较于其它深度、前馈神经网络，CNN需要考量的参数更少，因而成为极具吸引力的深度学习结构。

VoxelMorph共同研发者Guha Balakrishnan认为，比对两幅MRI扫描片实际上应该与比对多幅MRI的难度相差不大。在进行每次对齐比对时必须要能够掌握相关的信息，一旦能够自前次影像纪录中学习到相关信息，对于后续的比对动作将会更快，且同样精准。

为了训练VoxelMorph，研究团队输入了7,000张脑部MRI影像来进行扫描并学习。之后，再输入系统250幅影像来测试是否能够正确学习。包括CNN、改进层(modified layer)及空间转换器(spaTIal transformer)都被用于捕捉每次扫描中所有voxel的相似性。

每次扫描都能够让算法学习到有哪里些voxel群组，可在脑部MRI扫描中使用及集成。因此，当在VoxelMorph中输入新的脑部MRI扫描影像，已受过训练的系统可快速找到影像的完美对齐比对。