医学图像分析的一个用途是处理患者医学图像的数据集，并捕获可能指示疾病进展的结构关系。在许多情况下，分析需要使用称为“地图集”的公共图像模板，这是给定患者群体的平均表示。地图集可以作为比较的参考，例如，用于识别大脑结构随时间的临床显著变化。

构建模板是一个耗时、费力的过程，通常需要几天或几周的时间来生成，尤其是在使用3D脑部扫描时。为了节省时间，研究人员经常下载以前由研究小组生成的公开可用的地图集。但这些并不能完全捕捉到个体数据集或特定亚群体的多样性，比如那些患有新疾病的人或来自幼儿的人。最终，地图集不能顺利地映射到离群图像上，结果很差。

在12月神经信息处理系统会议上发表的一篇论文中，研究人员描述了一种自动机器学习模型，该模型可以根据特定的患者属性(如年龄、性别和疾病)生成“条件”地图集。通过利用整个数据集中的共享信息，该模型还可以合成数据集中可能完全缺失的患者亚群的地图集。

“世界需要更多的地图集，”第一作者阿德里安·达尔卡(Adrian Dalca)说，他曾是计算机科学与人工智能实验室(CSAIL)的博士后，现在是哈佛医学院和马萨诸塞州总医院放射学的教员。爱博网投官方网站地图集是许多医学图像分析的核心。这种方法可以建立更多的它们，也可以建立有条件的。”

加入Dalca论文的有Marianne Rakic, CSAIL的访问研究员;Dugald C. Jackson计算机科学与电气工程教授、CSAIL数据驱动推理小组负责人John Guttag;以及康奈尔大学的Mert R. Sabuncu。

同时校准和地图集

传统的图集构建方法在数据集中的所有图像上运行冗长的迭代优化过程。比如，他们将所有的3D脑部扫描与一个初始的(通常是模糊的)图谱对齐，并从对齐后的扫描中计算出一个新的平均图像。他们对所有图像重复这个迭代过程。这将计算一个最终的地图集，该地图集最大限度地减少数据集中所有扫描必须变形以匹配地图集的程度。如果没有足够的可用数据，对患者亚群进行这一过程可能是复杂和不精确的。

将地图集映射到新的扫描图像会产生一个“变形场”，它表征了两幅图像之间的差异。这捕获了结构变化，然后可以进一步分析。例如，在脑部扫描中，结构变化可能是由于疾病不同阶段的组织退化造成的。

在之前的工作中，Dalca和其他研究人员开发了一个神经网络来快速对齐这些图像。在某种程度上，这有助于加快传统的地图集构建过程。“我们说，‘为什么我们不能在学习对齐图像的同时建立条件地图集呢?’”达尔卡说。

为了做到这一点，研究人员结合了两个神经网络:一个网络在每次迭代中自动学习地图集，另一个网络-从以前的研究中改编-同时将该地图集与数据集中的图像对齐。

在训练中，联合网络从编码了所需患者属性的数据集中获得随机图像。由此估计了一个属性条件图谱。第二个网络将估计的图谱与输入图像对齐，并生成变形场。

为每个图像对生成的变形场用于训练“损失函数”，这是机器学习模型的一个组成部分，有助于最大限度地减少与给定值的偏差。在这种情况下，该函数专门学习最小化学习到的图谱和每个图像之间的距离。该网络不断改进地图集，以平滑地对齐到数据集中的任何给定图像。

随需应变的地图册

最终的结果是一个函数，它学习了特定属性(如年龄)如何与数据集中所有图像的结构变化相关联。通过将新的患者属性插入到函数中，它利用数据集中所有学习到的信息来合成按需地图集——即使该属性数据在数据集中缺失或稀缺。

假设有人想要一份45岁女性患者的脑部扫描图谱，而数据集中有30至90岁患者的信息，但40至50岁女性的数据很少。该功能将分析大脑在30岁至90岁之间的变化模式，并整合该年龄段和性别的少量数据。然后，它将产生最具代表性的地图集的女性期望的年龄。在他们的论文中，研究人员通过为15到90岁的不同年龄组生成条件模板来验证该功能。

研究人员希望临床医生可以使用该模型从他们自己的潜在小数据集快速建立自己的地图集。例如，达尔卡现在正与麻省总医院(Massachusetts General Hospital)的研究人员合作，利用儿科脑部扫描数据集，为难以获得的年幼儿童生成条件地图集。

一个伟大的梦想是建立一个函数，可以为任何亚种群生成条件地图集，从出生到90岁。研究人员可以登录到一个网页，输入年龄、性别、疾病和其他参数，就能得到一个按需条件绘制的地图集。“那太好了，因为每个人都可以把这个函数作为一个单一的通用地图集参考，”达尔卡说。

除了医学成像之外，另一个潜在的应用是运动训练。有人可以训练这个函数来生成一个图谱，比如说，一个网球运动员的发球动作。然后，玩家可以将新发球与地图集进行比较，看看他们在哪些地方保持了正确的姿势，哪些地方出了问题。

达尔卡说:“如果你看体育比赛，通常会看到评论员说，他们注意到某个人的状态与另一个人相比是否有所不同。”“但你可以想象，它可能比这更加量化。”