原创<br> MIT+IBM同时利用AI探索神经科学，让脑科学研究如虎添翼( 五 )_智东西编|韦世玮导语：近期

最后，系统根据提速运动的流场，将标签标记到合成扫描的图像中。这些合成的扫描图像将被输入到一个单独的卷积神经网络，以便训练该卷积神经网络学习如何分割新的图像。

此外，研究小组对30种大脑结构的图像分割系统进行了100次扫描，并将其与现有的自动和手动分割方法进行了比较。结果表明，该方法与现有的图像分割方法相比有了显著改进，特别是在海马体等较小的大脑结构方面。

研究人员在论文中表示，在他们的测试集中，分割器在每个例子上都比现有的单次分割方法做得更好，接近完全监督模型的性能（之前大多是半监督的）。该机器学习框架可在多个医学领域应用，比如临床设置，在临床设置中由于时间限制，通常只允许手工注释少量扫描。

对此，麻省理工学院的研究人员表明，通过机器学习从未标记的大脑扫描图像中，独立的空间和外观转换模型，可以合成逼真多样的标记实例。

另外，系统生成的合成示例可以用来训练性能等于甚至优于当前图像分割方法的分割模型，这也是为什么《万智牌》能催生一种可训练人工智能深度学习算法的新方法。

原创<br> MIT+IBM同时利用AI探索神经科学，让脑科学研究如虎添翼( 五 )