الگوریتم هوش مصنوعی قادر است تصاویر تشدید مغناطیسی ساختگی از مغز تولید کند.

طبق یک مطالعه که در کنفرانس بین المللی MICCAI در اسپانیا ارائه شد، یک الگوریتم هوش مصنوعی می‌تواند تصاویر تشدید مغناطیسی مصنوعی از مغز تولید کند، که یک سری از چالش‌ها در حوزه‌ی الگوریتم‌های هوش مصنوعی آموزشی را حل می‌کند.

محققان موسسه‌ی NVIDIA از بیمارستان عمومی ماساچوست آمریکا، بیمارستان Brigham and Women’s در بوستون، و کلینیک Mayo در راچستر، یک الگوریتم هوش مصنوعی به نام generative adversarial network (GAN) را آموزش داده‌اند تا تصاویر MR مصنوعی غیرطبیعی( بیمار) از مغز تولید کند. به گفته‌ی Hoo-Chang Shin ، یک محقق ارشد در NVIDIA، این تصاویر مصنوعی می‌تواند برای تکمیل یک مجموعه داده‌ی کوچک، یا حتی برای تمرین دادن یک الگوریتم یادگیری عمیق مورد استفاده قرار بگیرد. او می‌گوید: ما نشان دادیم که لازم نیست به یک مجموعه بزرگ از تصاویر پزشکی بیماران دسترسی داشته باشید، شما می‌توانید تصاویر مصنوعی زیادی تولید و سیستم هوش مصنوعی خود را با این تصاویر آموزش دهید (تنها تعداد کمی تصویر واقعی برای تنظیم سیستم هوش مصنوعی تمرین داده نشده کافی است)، و تقریبا به همان عملکردی دست پیدا می‌کنید که انگار سیستم را توسط یک مجموعه بزرگ از داده‌ها تمرین داده‌اید.

استفاده از GANها در تصاویر پزشکی اخیرا بخاطر کاربردهایی مانند تولید تصاویر مصنوعی CT از سر انسان با استفاده از تصاویر MRI مغزی، و یا تولید تصاویر رادیولوژی مصنوعی برای کمک به تمرین دادن الگوریتم‌ها، افزایش یافته است. در پروژه اخیر، محققان با استفاده از مجموعه داده‌ی Alzheimer’s Disease Neuroimaging Initiative (ADNI) و Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) یک GAN را تمرین دادند.

این الگوریتم این اجازه را می‌دهد که اندازه‌ی تومور و مکان آن را در تصاویر MR تغییر داده، یا آن را روی تصویر یک مغز سالم قرار دهند. این امر به آن‌ها اجازه می‌دهد که صدها و یا هزارها تصویر مصنوعی این چنینی تولید کنند. در آزمایشات، آن‌ها دریافتند که با اضافه کردن داده‌های مصنوعی، برای تکمیل یک مجموعه داده MR واقعی، می‌توان کارایی و عملکرد یک الگوریتم یادگیری عمیق را بهبود بخشید.

شین می‌گوید: مهیج‌تر از این‌ها، ما می‌توانیم تنها با استفاده از داده‌های مصنوعی هم به همچین عملکردی برسیم. این الگوریتم به حل یکی از بزرگترین چالش‌ها در زمینه‌ی آموزش الگوریتم‌های یادگیری عمیق، برای استفاده در سیستم‌های هوش مصنوعی تصاویر پزشکی می‌پردازد: کمبود داده‌ی قابل اعتماد و دقیق برای آموزش دادن شبکه‌ی عصبی. پیدا کردن مقدار کافی از افراد دارای یک شرایط خاص، می‌تواند کار مشکلی باشد، مخصوصا اگر آن شرایط یا بیماری، کمیاب و نادر باشد. حتی اگر تعداد بیماران نیز زیاد باشد، تصویربرداری و گزارش نویسی برای همه‌ی آن‌ها کاری پرهزینه و زمانبر است. این الگوریتم همچنین مشکلات مربوط به محرمانه بودن اطلاعات بیمار نیز نخواهد داشت، که یکی از موانع ایجاد مجموعه داده‌های بزرگ این چنینی است.

اشتراک‌گذاری این داده‌ها در محیط‌های داخل و خارج بیمارستانی کار ساده‌تری است، بنابراین ما می‌توانیم یک مجموعه داده‌ی بزرگ بدست آورده و به وسیله‌ی آن الگوریتم‌های هوش مصنوعی را برای یک عملکرد عالی تمرین دهیم.

منبع: physicsworld.com