倫敦大學(xué)國王學(xué)院合成大腦3D影像的創(chuàng)建

倫敦大學(xué)國王學(xué)院（King’s College London）與其合作的醫(yī)院和大學(xué)一起公布了關(guān)于合成大腦項(xiàng)目（Synthetic Brain Project）的新細(xì)節(jié)。該項(xiàng)目是英國最強(qiáng)大的超級計(jì)算機(jī)——Cambridge-1 上的首批項(xiàng)目之一。

合成大腦項(xiàng)目的重點(diǎn)是建立可以合成人類大腦人工3D核磁共振（MRI）影像的深度學(xué)習(xí)模型。 這些模型可以幫助科學(xué)家了解人類大腦在不同年齡、性別和疾病狀態(tài)下的模樣。

這些AI模型由倫敦大學(xué)國王學(xué)院和NVIDIA的數(shù)據(jù)科學(xué)家及工程師共同開發(fā)。這項(xiàng)研究屬于倫敦醫(yī)學(xué)影像與AI中心 Value-Based Healthcare 項(xiàng)目的一部分，并且得到了英國研究與創(chuàng)新署和Wellcome旗艦計(jì)劃的資助。

開發(fā)此類AI模型的目標(biāo)是幫助基于大腦核磁共振掃描的神經(jīng)系統(tǒng)疾病診斷。這些模型還可用于預(yù)測大腦疾病的發(fā)展進(jìn)程，從而進(jìn)行預(yù)防性治療。

使用合成數(shù)據(jù)還有一個好處：能夠保護(hù)患者的隱私，并使倫敦大學(xué)國王學(xué)院能夠向整個英國醫(yī)療行業(yè)開放這項(xiàng)研究。如果沒有 Cambridge-1，AI模型的訓(xùn)練時間將會長達(dá)幾個月而不是現(xiàn)在的幾周，所得到的影像質(zhì)量也不會如此清晰。

倫敦大學(xué)國王學(xué)院和NVIDIA的研究人員使用 Cambridge-1 中的多個GPU將模型擴(kuò)展到必要的規(guī)模，然后采用一項(xiàng)被稱為超參數(shù)調(diào)整的流程來大幅提高模型的精度。

倫敦大學(xué)國王學(xué)院人工醫(yī)學(xué)智能高級講師Jorge Cardoso表示：“Cambridge-1通過加速合成數(shù)據(jù)的生成，使國王學(xué)院的研究人員能夠了解不同因素對大腦、解剖學(xué)和病理學(xué)的影響。我們可以讓我們的模型生成幾乎無限的數(shù)據(jù)并指定年齡和疾病，這樣就能夠開始解決一些問題，例如疾病如何影響大腦以及大腦何時可能存在異常。”

NVIDIA Cambridge-1 超級計(jì)算機(jī)的出現(xiàn)為像合成大腦項(xiàng)目這樣的開創(chuàng)性研究帶來了新的可能性并可用于加速數(shù)字生物學(xué)在疾病、藥物設(shè)計(jì)和人類基因組方面的研究。

作為世界上速度最快的50臺超級計(jì)算機(jī)之一，Cambridge-1 以80個DGX A100系統(tǒng)為基礎(chǔ)，集成了NVIDIA A100 GPU、BlueField-2 DPU 以及 HDR InfiniBand網(wǎng)卡。

倫敦大學(xué)國王學(xué)院正在使用NVIDIA的硬件和由PyTorch支持的開源MONAI軟件框架，并將CuDNN和Omniverse用于其合成大腦項(xiàng)目。MONAI是一個免費(fèi)且獲得社區(qū)支持，基于PyTorch的醫(yī)療影像領(lǐng)域深度學(xué)習(xí)框架；CUDA深度神經(jīng)網(wǎng)絡(luò)庫（cuDNN）是一個GPU加速的深度神經(jīng)網(wǎng)絡(luò)庫；而Omniverse是一個用于虛擬協(xié)作和實(shí)時模擬的開放平臺。倫敦大學(xué)國王學(xué)院剛剛開始用它來實(shí)現(xiàn)大腦的可視化，以此幫助醫(yī)生更好地了解大腦疾病的形態(tài)和病理。

隨著深度學(xué)習(xí)架構(gòu)效率的不斷提高以及硬件方面的改進(jìn)，研究者能夠創(chuàng)建出復(fù)雜、高緯度的高分辨率醫(yī)學(xué)立體數(shù)據(jù)模型。矢量量化變分自動編碼器（VQ-VAE）可用于實(shí)現(xiàn)高效生成式無監(jiān)督學(xué)習(xí)方法，通過對影像進(jìn)行編碼大幅壓縮初始大小，同時保留解碼的保真度。

倫敦大學(xué)國王學(xué)院使用受VQ-VAE啟發(fā)并且經(jīng)過3D優(yōu)化的網(wǎng)絡(luò)對全分辨率的大腦立體影像進(jìn)行高效的編碼，將數(shù)據(jù)壓縮到原始大小的1%以下，同時保持影像的保真度，超過了之前的最高技術(shù)水平。

在使用VQ-VAE對影像進(jìn)行編碼后，可以通過一個針對數(shù)據(jù)體積特性和相關(guān)序列長度進(jìn)行優(yōu)化的長程變換器模型來學(xué)習(xí)潛在空間。數(shù)據(jù)的三維性質(zhì)所引起的序列長度需要建立巨大的模型，而Cambridge-1提供的多GPU和多節(jié)點(diǎn)縮放功能使之成為可能。

通過從這些大型轉(zhuǎn)換器模型中取樣并將目標(biāo)臨床變量（如年齡或疾病等）設(shè)置為條件，就可以生成新的潛在空間序列并使用VQ-VAE解碼為立體大腦影像。Transformer AI模型所采用的注意力機(jī)制可以對輸入數(shù)據(jù)的每個部分的重要性進(jìn)行不同的權(quán)衡并用于理解這些序列的長度。

創(chuàng)建與現(xiàn)實(shí)生活中的神經(jīng)放射學(xué)研究極為相似的生成式大腦影像有助于理解大腦如何形成、創(chuàng)傷和疾病對大腦所產(chǎn)生的影響以及如何幫助大腦恢復(fù)。使用合成數(shù)據(jù)代替真實(shí)患者數(shù)據(jù)解決了數(shù)據(jù)訪問和患者隱私方面的問題。倫敦大學(xué)國王學(xué)院合成大腦生成項(xiàng)目中的代碼和模型均開放源代碼。NVIDIA為合成大腦項(xiàng)目所基于的Fast-transformers 項(xiàng)目的開源做出了貢獻(xiàn)，進(jìn)一步提高了該項(xiàng)目的性能。

編輯：jq