Detecting Multiple Sclerosis with Machine Learning | Grey Kuling | TEDxUofTSalon

non è stato fino a una conversazione con il
amico d’ infanzia
che ho realizzato la verità
della mia ricerca ed ecco cosa ha detto
Sono stato molto fortunato ma lo è
sicuramente perchè ho provato ad allenarmi
e mangia bene, ma non è sempre stato
questo bene ho perso la mia visione in
passato e la mia capacità di camminare ma
ovviamente l’ho recuperato
Ho ricadute multiple
sclerosi quindi sto bene
90% delle volte, ma sì, l’altro 10%
la sclerosi multipla è una malattia autoimmune
malattia per gli attacchi del sistema immunitario
i neuroni sani del paziente
sistema nervoso centrale questo rende il
neurone incapace di comunicare
segnali al resto del corpo
il danneggiato nei tessuti cicatrizzati del
il neurone è chiamato una lesione da SM e possiamo
visualizzali usando la risonanza magnetica
imaging o risonanza magnetica nell’analisi diversa
scansioni vediamo un modello molto distinto
tra le lesioni e il sano
tessuto e attualmente usano i radiologi
questo modello per delineare le lesioni
chiamandolo manualmente una segmentazione ora
questo è importante in tutte le fasi di una SM
come la valutazione della diagnosi iniziale di
progressione della malattia e determinante
efficacia del trattamento
tuttavia la segmentazione manuale è difficile
e spesso variabile per i medici non può
concordare sulla stessa segmentazione pure a
il medico non può segmentare la lesione il
stesso modo due volte e questo si traduce in umano
errore quindi è stato proposto a
segmentare automaticamente le lesioni usando
apprendimento automatico ora
l’apprendimento automatico è diventato un argomento caldo
negli ultimi anni è letteralmente
ovunque riconoscendo e imparando
schemi e informazioni intorno a noi
Google Facebook e ora anche Apple
iPhone usa la macchina
apprendimento per il riconoscimento facciale, nonché
le nostre caselle di posta elettronica utilizzano l’apprendimento automatico
per filtrare lo spam potremmo usare a
algoritmo di apprendimento automatico per imparare il
modello di lesioni in queste quattro scansioni
ma prima quali informazioni siamo noi
guardando in queste immagini
Che cosa è questo esattamente i dati e una foto
è una matrice di intensità di pixel in a
data la coordinata x e y, allora possiamo
impilare le immagini in cima a vicenda
fare una terza dimensione in modo che possiamo
visualizza i dati e i tessuti in 3D questo
quindi trasforma l’ intensità del pixel in a
intensità volumetrica o un voxel in a
dato XY e Zed coordinano quindi se noi
stavamo guardando questi voxel da soli
e volevamo provare a identificare cosa
i tessuti stavano guardando come dovremmo
Immagina che andiamo bene a farlo
un po ‘più semplice se stessimo guardando
qualsiasi tipo di oggetto come faremmo noi
riconoscere ciò che stiamo cercando di dire per
esempi di animali che potremmo costruire a
dizionario di esempi nella nostra memoria
che potremmo fare riferimento e risulta
che un computer può fare lo stesso così
potrebbe identificare un gorilla da un leone
nell’apprendimento del dizionario prendiamo a
raccolta di esempi di immagini e prendiamo
le intensità dei pixel e riordino
loro in un vettore li mettiamo quindi
esempi vettoriali side-by-side in un nuovo
matrice che chiamiamo un dizionario allora noi
può identificare un soggetto del test usando
analisi di regressione ora significa solo
che proviamo a ricreare il soggetto del test
utilizzando una quantità selezionata di dizionario
esempi quindi se un dizionario di leoni
ho cercato di identificare un gorilla che non avrebbe
fai un ottimo lavoro
e l’errore sarebbe grande ma se lo fosse
ho cercato di identificare un leone l’errore sarebbe
sii piccolo dichiarando che lo è davvero
percependo un leone nel caso della SM noi
voglio guardare i singoli voxel
e determinare che tipo di tessuto erano
guardando specificamente la materia grigia
fluido spinale cerebrale di sostanza bianca e
ms lesioni quindi potremmo costruire il
dizionario per tutti e quattro la domanda ora
è come caratterizzeremo ciascuno
voxel individuale per creare esempi in
il nostro dizionario non stiamo guardando a
tutta l’ immagine che stiamo guardando
in una piccola parte di esso bene
i ricercatori classicamente hanno preso un
grande macchia spaziale del voxel
intensità che circondano il voxel di
interesse quindi è il voxel di interesse
il centro e poi prendiamo tutto il
informazioni intorno a loro vorremmo
riordina tali informazioni in un vettore
e quindi costruisci i nostri dizionari, quindi facciamolo
guarda come si scopre che questo è un
immagine del terreno verità questo è il
risposta corretta questo è ciò che vogliamo
vedere l’algoritmo ricreare e questi sono
i risultati che otteniamo si rivelano
non fa un ottimo lavoro, c’è molto
di sovradimensionamento e molto falso
positives il mio supervisore dr. hamaji e io
lo guardò in modo critico e lo pensò
deve guardare troppe informazioni
subito risultante troppi confusi
fattori quindi abbiamo pensato perché non solo mantenere
è semplice usiamo il voxel in
domanda e non una patch spaziale così noi
provato questo ed è segmentato il
lesioni perfettamente ora eravamo un po ‘
scettico su questi risultati perché noi
in realtà aveva pre-elaborato i nostri dati a
essere ideale abbiamo eliminato qualsiasi rumore o
distorsioni nelle immagini che possono causare
l’informazione che confonde al
computer quindi abbiamo pensato perché no
un po ‘senza che il loro livello lo facesse
più difficile e provare e segmentare le immagini con
tre per cento di rumore aggiunto e
non potevo gestire il rumore e il nostro falso
i positivi sono tornati per risolvere questo problema
ci siamo chiesti che cos’è il rumore
cambiando in queste foto se prendiamo a
guardandoli fianco a fianco possiamo vedere
che le linee sono un po ‘sfocate
ma la più grande differenza è tra
le linee possiamo vedere che il bianco
materia e liquido spinale cerebrale hanno
passato da un colore solido a uno sfocato
modello quindi se stavi guardando questo
schema sfocato come lo descriveresti
Lo renderò un po ‘più semplice come
descriveresti la differenza?
tra queste immagini ogni pannello ha a
trama molto distinta la trama di
la polvere di asfalto è molto diversa
rispetto alla trama di un muro di mattoni
perciò il nostro cervello capisce cosa
stiamo guardando a noi inconsciamente
analizzare la trama e si scopre
di nuovo un computer può fare lo stesso da
guardando le intensità dei pixel che possiamo
conta quante volte una certa intensità
livello si presenta nella foto di
Contando la frequenza di ciascuna intensità
livello otteniamo una distribuzione di probabilità
allora possiamo calcolare il medio il
deviazione standard l’entropia e tutto
tipo di informazioni che volevamo costruire
un dizionario per tutti i tessuti che
usa l’intensità del voxel in questione e
una quantificazione della trama calcolata
statisticamente dai voxel adiacenti
al voxel di interesse ora come gira
fuori mentre aumenti il ​​rumore il
la deviazione standard aumenterà ma il
la media rimarrà relativamente la stessa da allora
la deviazione standard è così sensibile
al rumore che abbiamo accoppiato noi
l’intensità del voxel e ricostruito il nostro
dizionari e ha risolto il problema
potrebbe anche segmentare le piccole lesioni
sono difficili da trovare ora questi sono molto
risultati eccitanti ma sfortunatamente
potrebbe essere un po ‘prima che questo diventi
uso clinico dei risultati che ho mostrato
tu oggi sono stati calcolati su un simulato
la scansione cerebrale della McGill University ha chiamato
cervello web e documenti che hanno reso il
passare da dati simulati a pazienti reali
i dati sono diminuiti di precisione di quasi
50% Attualmente, in questo momento non lo faccio
avere un database di dati reali dei pazienti a
test su e l’approvazione di un clinico
la prova per acquisire tale set di dati dipende
su una questione imminente di responsabilità
quando una scansione è segmentata manualmente per
lesioni che un medico sta diagnosticando
lesioni se la segmentazione è stata eseguita
automaticamente chi sta facendo il
diagnosticare ora questo è il grande problema
con l’introduzione dell’apprendimento della macchina a
medicina ora nel caso del dizionario
imparare la macchina prende una decisione
era basato sul dizionario
fornito con quindi è come ho
assistente addestrato ma è il dottore
chi ha bisogno di prendere la decisione finale
non è una questione di volontà della macchina
fare la scelta sbagliata ma lo farà
il dottore permette alla macchina di fare il
scelta sbagliata grazie
tu
tu