在神經影像領域,向來是一人不抵二智。因此,全球放射科醫生正在探索使用 AI 工具來分擔繁重的工作負載,并提高腦部掃描分析的一致性、速度和準確性。
悉尼神經影像分析中心 (SNAC) 的運營總監 Tim Wang 說:“我們經常將手動注釋作為神經影像的黃金標準,但實際可能不是這樣。在許多情況下,AI 可提供比手動分類或分割一致性更高、偏差更小的評估。”
SNAC 是一家澳大利亞公司,與悉尼大學的心腦血管中心同地協作,從事神經影像研究以及臨床研究試驗的商業影像分析。該中心正在構建 AI 工具,以便在其研究工作流程中自動執行繁重的分析任務,比如從頭部掃描中分離出大腦圖像,以及分割大腦病灶。
其他算法正在開發中,并正在進行臨床使用驗證。有種算法可以比較患者的大腦大小和病灶如何隨時間變化。另一種算法可以標記重要的腦部掃描,以便放射科醫生可以更快地處理緊急情況。
SNAC 使用由 NVIDIA V100 Tensor Core GPU 提供支持的 NVIDIA DGX-1 和 DGX 工作站,以及配備 NVIDIA GeForce RTX 2080 Ti 顯卡的 PC 工作站。研究人員使用 NVIDIA Clara 醫學影像工具套件,以及 cuDNN 庫和 TensorRT 推理軟件開發自己的算法。
集思廣益開發 AI 解決方案
在研發藥物時,制藥公司會通過進行臨床試驗來測試新藥治療效果,這一過程通常使用腦萎縮率和病灶變化等腦成像指標作為關鍵指標。
為確保測量結果的一致性和準確性,制藥公司依賴于集中式讀取中心在盲法分析中評估受試者的腦部掃描狀況。
SNAC 可以在這方面發揮作用。它可分析在世界各地的臨床地點獲取的患者 MRI 和 CT 掃描。其在多中心研究方面的專業知識,讓我們能夠更精準地開發出 AI 工具來解決放射科醫生和臨床醫生面臨的挑戰。
借助包含 15,000 多張三維 CT 和 MRI 影像的訓練數據集,SNAC 正在使用 PyTorch 和 TensorFlow 框架構建深度學習算法。
該中心的某個 AI 模型可自動執行清理 MRI 影像的耗時任務,以便將大腦與頭部的其他部分(例如靜脈竇和大腦周圍充滿液體的區域)隔離開來。使用 NVIDIA DGX-1 系統進行推理,可以讓 SNAC 將此過程至少加速 10 倍。
Wang 說:“這中間的差異不容小覷。以前,我們的分析師采用半自動方法,要用 20 到 30 分鐘,而現在,這項工作只需使用機器即可完成,所用時間減少到 2 到 3 分鐘,同時效果比人類更好、更一致。”
另一個工具可處理多發性硬化癥病例的大腦病灶分析。在研究和臨床試驗中,影像分析師通常會分割大腦病灶,并通過手動檢查掃描來確定其大小,這一過程要耗費長達 15 分鐘。
AI 可將確定病灶大小所需的時間縮短為 3 秒。這就使得這些指標也可以用于臨床實踐,以往由于時間限制,放射科醫生通常只通過眼睛簡單觀察來估計病灶大小。
Wang 說:“通過提供定量個性化神經影像測量,我們可以幫助簡化臨床放射過程并增加其價值。
該中心與世界大型成像提供商之一 I-MED 以及悉尼大學心腦血管中心的計算神經科學團隊合作。該中心還與澳大利亞主要醫院的放射科醫生緊密合作,以驗證其算法。
SNAC 計劃將其分析工具與臨床醫生已使用的系統相集成,以便在執行掃描后將結果自動發送到服務器進行處理。然后,AI 評估掃描會傳送至放射科醫生的查看器,從而在不改變醫生工作流程的前提下為他們提供分析結果。
Wang 說:“有人確實可以開發出超棒的工具,但讓放射科醫生在工作站上打開另一個應用程序,或另一個瀏覽器來使用該工具卻很困難。他們不想這樣做,因為他們通常每天要做大量的臨床掃描,時間緊迫。”
主圖顯示了多發性硬化癥病灶分割的并排對比。左圖顯示的是手動病灶分割,右圖顯示的是全自動病灶分割。圖片由悉尼神經影像分析中心提供。
Copyright ? 2019-2024 青島希諾智能科技有限公司版權所有 備案號:魯ICP備19042003號-1
技術支持:微動力網絡