Синтетические данные в обобщаемой обучаемой нейровизуализации

Синтетические данные зарекомендовали себя как привлекательный вариант для разработки методов машинного обучения в человеческой нейровизуализации, особенно в магнитно-резонансной томографии (МРТ) — модальности, контраст в которой в значительной степени зависит от оборудования и параметров сканирования. В этой ретроспективной статье дается обзор семейства недавно предложенных методов, основанных на синтетических данных, для обобщаемого машинного обучения в анализе мозговой МРТ. В основе этой методологии лежит концепция рандомизации доменов (domain randomization), предполагающая обучение нейронных сетей на чрезвычайно разнообразном наборе синтетически сгенерированных изображений с произвольными свойственными контрастами. Эта техника позволила получить устойчивые, адаптируемые модели, способные работать с различными контрастами МРТ, разрешениями и патологией, прямо «из коробки», без дообучения. Мы успешно применяли этот подход к задачам такой как сегментация всего мозга (SynthSeg), удаление черепа (skull-stripping, SynthStrip), регистрация (SynthMorph, EasyReg), сверхразрешение и перенос контраста МРТ (SynthSR). Помимо этих приложений, в статье обсуждаются и другие возможные случаи использования и направления будущих работ в нашей методологии. Нейронные сети, обученные на синтетических данных, обеспечивают возможность анализа клинических МРТ, включая большие ретроспективные наборы данных, значительно снижая (а иногда и полностью устраняя) необходимость в больших размеченных наборах данных, и представляют собой большие перспективы в качестве устойчивых инструментов для решения различных исследовательских задач.