Los tumores cerebrales primarios abarcan una amplia gama de tumores según el tipo de célula, la agresividad y el estadio del tumor. La caracterización rápida y precisa del tumor es un aspecto fundamental de la planificación del tratamiento. Es una tarea actualmente reservada para radiólogos capacitados, peroen el futuro, la informática, y en particular la informática de alto rendimiento, desempeñará un papel de apoyo.
George Biros, profesor de ingeniería mecánica y líder del ICES Parallel Algorithms for Data Analysis and Simulation Group en la Universidad de Texas en Austin, ha trabajado durante casi una década para crear algoritmos informáticos precisos y eficientes que pueden caracterizar los gliomas, los mástipo común y agresivo de tumor cerebral primario.
En la 20a Conferencia Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora MICCAI 2017, Biros y colaboradores de la Universidad de Pensilvania dirigida por el profesor Christos Davatzikos, la Universidad de Houston dirigida por el profesor Andreas Mang y la Universidad de Stuttgartdirigido por la profesora Miriam Mehl, presentó los resultados de un nuevo método totalmente automático que combina modelos biofísicos de crecimiento tumoral con algoritmos de aprendizaje automático para el análisis de datos de imágenes de resonancia magnética RM de pacientes con glioma. Todos los componentes del nuevo métodofueron habilitados por supercomputadoras en el Centro de Computación Avanzada de Texas TACC.
El equipo de Biros probó su nuevo método en el Multimodal Brain Tumor Segmentation Challenge 2017 BRaTS'17, una competencia anual donde grupos de investigación de todo el mundo presentan métodos y resultados para la identificación y clasificación asistida por computadora de tumores cerebrales, así comocomo diferentes tipos de regiones cancerosas, utilizando resonancias magnéticas preoperatorias.
Su sistema obtuvo una puntuación en el 25 por ciento superior en el desafío y estuvo cerca de la cima para la segmentación total del tumor.
"La competencia está relacionada con la caracterización de tejido anormal en pacientes que padecen tumores de glioma, la forma más prevalente de tumor cerebral primario", dijo Biros. "Nuestro objetivo es tomar una imagen y delinearla automáticamente e identificar diferentes tiposde tejido anormal: edema, tumor realzado áreas con tumores muy agresivos y tejido necrótico. Es similar a tomar una foto de la familia y hacer un reconocimiento facial para identificar a cada miembro, pero aquí se hace el reconocimiento de tejidos, y todo esto tienepara hacerse automáticamente. "
Entrenamiento y prueba de la canalización de predicciones
Para el desafío, Biros y su equipo de más de una docena de estudiantes e investigadores recibieron por adelantado 300 conjuntos de imágenes cerebrales en las que todos los equipos calibraron sus métodos lo que se llama "entrenamiento" en el lenguaje del aprendizaje automático.
En la parte final del desafío, los grupos recibieron datos de 140 pacientes y tuvieron que identificar la ubicación de los tumores y segmentarlos en diferentes tipos de tejido en el transcurso de solo dos días.
"En esa ventana de 48 horas, necesitábamos toda la potencia de procesamiento que pudiéramos obtener", explicó Biros.
La canalización de procesamiento, análisis y predicción de imágenes que utilizaron Biros y su equipo tiene dos pasos principales: un paso de aprendizaje automático supervisado en el que la computadora crea un mapa de probabilidad para las clases objetivo "tumor completo", "edema", "núcleo del tumor"; y un segundo paso donde combinan estas probabilidades con un modelo biofísico que representa cómo crecen los tumores en términos matemáticos, lo que impone límites a los análisis y ayuda a encontrar correlaciones.
Los recursos informáticos de TACC permitieron al equipo de Biros utilizar clasificadores de vecinos más cercanos a gran escala un método de aprendizaje automático. Por cada vóxel, o píxel tridimensional, en una imagen cerebral de RM, el sistema intenta encontrar todos los vóxeles similares enlos cerebros que ya ha visto para determinar si el área representa un tumor o no.
Con 1,5 millones de vóxeles por cerebro y 300 cerebros para evaluar, eso significa que la computadora debe mirar 500 millones de vóxeles por cada nuevo vóxel de los 140 cerebros desconocidos que analiza, decidiendo para cada uno si el vóxel representa un tumor o tejido sano.
"Usamos algoritmos rápidos y aproximaciones para hacer esto posible, pero aún necesitábamos supercomputadoras", dijo Biros.
Cada uno de los varios pasos en el proceso de análisis utilizó sistemas informáticos TACC separados. El componente de clasificación de aprendizaje automático del vecino más cercano usó simultáneamente 60 nodos cada uno compuesto por 68 procesadores en Stampede2, la última supercomputadora de TACC y uno de los sistemas más potentes en elBiros fue uno de los primeros investigadores en obtener acceso a la supercomputadora Stampede2 en la primavera y pudo probar y ajustar su algoritmo para los nuevos procesadores allí. Utilizaron Lonestar 5 para ejecutar los modelos biofísicos y Maverick para combinar las segmentaciones.
La mayoría de los equipos tuvieron que limitar la cantidad de datos de entrenamiento que usaban o aplicar algoritmos clasificadores más simplificados en todo el conjunto de entrenamiento, pero el acceso prioritario al ecosistema de supercomputadoras de TACC significaba que el equipo de Biros podía explorar métodos más complejos.
"George vino a nosotros antes del Desafío BRaTS y preguntó si podían obtener acceso prioritario a Stampede2, Lonestar5 y Maverick para asegurarse de que sus trabajos terminaran a tiempo para completar el desafío", dijo Bill Barth, Director de Alto Rendimiento de TACCComputación. "Decidimos que simplemente aumentar su prioridad probablemente no sería suficiente, por lo que decidimos darles una reserva en cada sistema para cubrir sus necesidades durante las 48 horas del desafío".
Resultó que Biros y su equipo pudieron ejecutar su línea de análisis en 140 cerebros en menos de 4 horas y caracterizaron correctamente los datos de las pruebas con una precisión de casi el 90 por ciento, comparable a los radiólogos humanos.
Su método es completamente automático, dijo Biros, y solo necesitaba una pequeña cantidad de parámetros algorítmicos iniciales para evaluar los datos de la imagen y clasificar los tumores sin ningún esfuerzo práctico.
Integración de diversas investigaciones
El sistema de análisis de imágenes escalable y basado en biofísica del equipo fue la culminación de 10 años de investigación sobre una variedad de problemas computacionales, según Biros.
"En nuestro grupo y en los grupos de nuestros colaboradores, tenemos múltiples hilos de investigación sobre análisis de imágenes, aprendizaje automático escalable y algoritmos numéricos", explicó. "Pero esta fue la primera vez que reunimos todo para que una aplicación hiciera nuestro métodotrabajar para un problema realmente desafiante. No es fácil, pero es muy satisfactorio ".
La competencia BRaTS representa un punto de inflexión en su investigación, dijo Biros.
"Tenemos todas las herramientas e ideas básicas, ahora lo pulimos y vemos cómo podemos mejorarlo".
El clasificador de segmentación de imágenes se implementará en la Universidad de Pensilvania a fines de año en asociación con su colaborador, Christos Davatzikos, director del Centro de Computación y Análisis de Imágenes Biomédicas y profesor de Radiología allí. Ganóno sustituirá a los radiólogos y cirujanos, pero mejorará la reproducibilidad de las evaluaciones y, potencialmente, acelerará los diagnósticos.
Los métodos que el equipo desarrolló van más allá de la identificación de tumores cerebrales. Son aplicables a muchos problemas en medicina y física, incluido el diseño de semiconductores y la dinámica del plasma.
Dijo Biros: "Tener acceso a las supercomputadoras TACC hace que nuestra vida sea infinitamente más fácil, nos hace más productivos y es una ventaja real".
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Texas Advanced Computing Center . Original escrito por Aaron Dubrow. Nota: el contenido se puede editar por estilo y longitud.
cite esta página :