ในแต่ละปีมีคนจำนวนหลายพันคนในสหรัฐอเมริกานั้นถูกวินิจฉัยว่ามีก้อนมะเร็งสมองอยู่ เพื่อที่จะช่วยให้แพทย์สามารถวิเคราะห์ ดูแล และตรวจสอบติดตามก้อนมะเร็งได้อย่างมีประสิทธิภาพที่ดีขึ้น นักวิจัยจาก NVIDIA จึงได้พัฒนาระบบที่ใช้เทคนิค deep learning ที่มีความทนทานในการนำเอาภาพ MRI 3 มิติมาเพื่อแยกส่วนก้อนมะเร็งได้อัตโนมัติ ซึ่งการแบ่งส่วนนี้ได้บอกขอบเขตของก้อนมะเร็งที่มองว่าเป็นพื้นที่ที่ได้รับผลกระทบไปเรียบร้อยแล้วได้
ในหลายๆ ประเทศที่ยังขาดแคลนผู้เชี่ยวชาญที่ได้รับการฝึกฝนมานั้น เทคโนโลยีนี้อาจกลายเป็นเครื่องมือช่วยชีวิตที่ให้บริการได้ภายใน 1 วัน ที่จะช่วยให้ผู้ป่วยได้รับการดูแลตามที่พวกเขาต้องการได้
“การแบ่งส่วนของก้อนมะเร็งสมอง 3 มิติได้อัตโนมัตินั้นสามารถช่วยลดเวลาของแพทย์ได้และช่วยให้มีโซลูชันที่สามารถทำซ้ำได้ด้วยความแม่นยำสำหรับการวิเคราะห์และติดตามก้อนมะเร็งได้ต่อเนื่อง โดยในงานนี้พวกเราได้อธิบายวิธีการแบ่งส่วนตามความหมาย (semantic segmentation) สำหรับการทำการแยกส่วนก้อนมะเร็งสมองซึ่งเป็นปริมาตร 3 มิติจากภาพ MRI 3 มิติหลากหลายรูปแบบ ซึ่งได้ชนะเลิศการแข่งขัน BraTS 2018” คุณ Andriy Myronenko นักวิจัยอาวุโสที่ NVIDIA กล่าว
การแข่งขัน BraTS หรือ Multimodal Brain Tumor Segmentation Challenge นั้นเป็นการแข่งขันระดับ international ที่มุ่งเน้นไปที่การแยกส่วนก้อนมะเร็งสมอง โดยการแข่งขันจัดโดยโรงเรียนแพทย์ Perelman School of Medicine มหาวิทยาลัยเพนซิลเวเนีย (University of Pennsylvania)
ในงานที่พัฒนานี้ คุณ Myronenko ได้มุ่งไปที่เนื้องอกไกลโอมา (glioma) หนึ่งในประเภทก้อนเนื้องอกสมองที่เกิดขึ้นจำนวนมาก โดยไกลโอมาที่มีระดับสูงนั้นจะเป็นประเภทเนื้องอกสมองที่มีร้ายแรงมากขึ้น และเครื่องมือที่ดีทึ่สุดของแพทย์ที่จะวินิจฉัยได้ก็คือภาพ MRI อย่างไรก็ดี กระบวนการที่จะอธิบายภาพออกมาโดยกระบวนการ manual หรือว่าเป็นการระบุตำแหน่งที่ถูกต้องของขอบเขตหรือขอบก้อนมะเร็งนั้นจำต้องมีความเชี่ยวชาญเกี่ยวกับกายวิภาค ซึ่งกระบวนการนี้มีค่าใช้จ่ายที่สูงและมีโอกาสที่จะผิดพลาดได้ด้วย นั่นคือเหตุผลว่าการแยกส่วนได้อัตโนมัตินั้นจึงเป็นเครื่องมือที่สำคัญ
โดยคุณ Myronenko ได้เทรนโครงข่าย encoder-decoder convolutional neural network กับภาพสแกน MRI แบบต่างๆ จาก 19 สถาบันเพื่อที่จะทำให้คัดแยกฟีเจอร์ต่างๆ จากภาพ MRI ออกมาได้ โดย encoder จะแกะ feature ออกมาจากภาพ แล้ว decoder จะสร้างหน้ากากการแบ่งส่วนตามความหนาแน่นของภาพนั้นๆ ออกมา
“ระหว่างการเทรน พวกเราใช้การตัดภาพแบบแรนดอมขนาด 160x192x128 ซึ่จะทำให้มั่นใจได้ว่าข้อมูลในภาพเกือบทั้งหมดนั้นจะยังคงอยู่ในพื้นที่ที่ตัดออกมา” คุณ Myronenko กล่าว
โดยการแข่งขัน BraTS 2018 นั้นเมื่อทดสอบกับชุดทดสอบแล้วได้ผลลัพธ์อยู่ที่ 0.7664, 0.8839 และ 0.8154 เฉลี่ยต่อลูกบาศก์ สำหรับผลจากการแยกส่วนของก้อนเนื้อที่กำลังขยาย ก้อนเนื้อทั้งหมด และ core ของก้อนเนื้อตามลำดับ คุณ Myronenko เขียนไว้ในงานตีพิมพ์
Source : https://news.developer.nvidia.com/automatically-segmenting-brain-tumors-with-ai/
