MIT Neural Network ускоряет обработку изображений МРТ на 1000 раз

Врачи часто должны сравнивать два изображения МРТ для отслеживания изменений в теле с течением времени, но процесс выстраивания изображений для точных измерений чрезвычайно трудоемкий. Чаще всего компьютер может сопоставить все местоположения на 3D-карте, но исследователи из Массачусетского технологического института разработали алгоритм, который может сократить время до менее чем за секунду.
Сканирование МРТ громоздко для управления из-за того, сколько информации они содержат. Каждое сканирование представляет собой, по существу, сотни многоуровневых 2D-изображений. Они образуют трехмерную карту, известную как громкость. Объем состоит из трехмерных пикселей, известных как вокселы. Когда компьютер выравнивает два разных сканирования МРТ, он просеивает миллионы вокселов, чтобы назначить их местам в новом унифицированном изображении. Сканирование также может осуществляться с разных машин с различными пространственными свойствами, что еще более замедляет работу.
Несколько часов вычислительного времени считаются достаточно хорошими для МРТ-анализа. Исследователи, пытающиеся анализировать данные из больших популяций у нескольких пациентов с одним и тем же заболеванием, могут оказаться в ожидании сотни часов для компьютера для создания выровненных изображений. Просто бросать больше вычислительной мощности на проблему нецелесообразно, но система «VoxelMorph» от исследователей MIT может сделать трюк.
VoxelMorph - это сверточная нейронная сеть, поэтому команда начала тренировать ее с 7 000 общедоступными МРТ-исследованиями мозга. В нейронной сети вы добавляете данные с одного конца, а сеть передает его через многочисленные узлы, которые передаются вперед в другие узлы. В зависимости от веса каждого узла вы получаете результат, который должен обеспечивать желаемые результаты. VoxelMorph узнал об общих группах вокселей и анатомических фигур.

После обучения команда использовала 250 новых сканирований для проверки эффективности сети. VoxelMorph завершил через две минуты то, что потребовалось бы обычной программе анализа МРТ на несколько часов. Это просто с обычным процессором. Когда VoxelMorph работает на графическом процессоре, процесс занимает менее секунды. Если вы создавали машину для обработки изображений MRI, вы, вероятно, настроили бы ее на выполнение вычислений на графическом процессоре.
Итак, мы эффективно перешли от часов к мгновенным. Команда предполагает, что это может изменить то, как врачи выполняют некоторые операции. Может быть возможно сделать новые проверки во время операции и получить анализ изображений в реальном времени. Система также может потенциально работать над другими типами 3D-сканирований с дополнительной подготовкой.
Читать далее

«DALL-E» OpenAI генерирует изображения из текстовых описаний
Все, что вам нужно сделать, это дать DALL-E несколько инструкций, и он может нарисовать для вас изображение. Иногда визуализация немного лучше, чем рисование пальцами, но иногда это поразительно точные изображения.

Сверхбыстрый солнечный зонд НАСА возвращает удивительное изображение Венеры
По данным НАСА, Паркер заметил ранее невидимое свечение, которое могло быть продуктом кислорода в атмосфере негостеприимной планеты. Неожиданная четкость поверхностей также заставила ученых пересмотреть, насколько чувствительны камеры Паркера.

Зонд НАСА возвращает удивительное изображение Венеры
По данным НАСА, Паркер заметил ранее невидимое свечение, которое могло быть продуктом кислорода в атмосфере негостеприимной планеты. Неожиданная четкость поверхностей также заставила ученых пересмотреть, насколько чувствительны камеры Паркера.

Новое изображение сверхмассивной черной дыры показывает завихрение магнитных полей
Телескоп Event Horizon дал нам культовый образ 2019 черной дыры, первый, который когда-либо производил. Теперь команда провела новые замечания сверхмассивной черной дыры в центре Galaxy M87, выявляя линии магнитного поля вокруг пустоты.