AI skaber hjernebilleder i høj opløsning fra MR-scanninger med lav feltstyrke

Genudgivet af Platon

Abonnenter: 0

MR billedtransformation — **Billedtransformation** Hjernescanningsskiver erhvervet med en bærbar hyperfin MRI-scanner med lavt felt (øverste række) og tilsvarende skiver output af LF-SynthSR-algoritmen (nederste række). Hyperfine-scanningen har 1.6 x 1.6 x 5 mm aksial opløsning, mens de genererede syntetiske billeder har 1 mm isotrop opløsning og er modtagelige for 3D-analyse med automatiserede morfometriværktøjer. (Med høflighed: Juan Eugenio Iglesias)

Bærbare MRI-systemer med lav feltstyrke har potentialet til at transformere neuroimaging - forudsat at deres lave rumlige opløsning og lave signal-til-støj-forhold (SNR) kan overvindes. Forskere ved Harvard Medical School udnytter kunstig intelligens (AI) for at nå dette mål. De har udviklet en maskinlærings-superopløsningsalgoritme, der genererer syntetiske billeder med høj rumlig opløsning fra hjerne-MR-scanninger med lavere opløsning.

Den konvolutionelle neurale netværk (CNN) algoritme, kendt som LF-SynthSR, konverterer lavfeltstyrke (0.064 T) T1- og T2-vægtede hjerne-MRI-sekvenser til isotrope billeder med 1 mm rumlig opløsning og udseendet af en T1-vægtet magnetisering -forberedt hurtig gradient-ekko (MP-RAGE) erhvervelse. Beskriver deres proof-of-concept-studie i Radiologi, rapporterer forskerne, at de syntetiske billeder udviste høj korrelation med billeder erhvervet af 1.5 T og 3.0 T MRI-scannere.

**Ledende efterforsker** Juan Eugenio Iglesias fra Massachusetts General Hospital og Harvard Medical School.

Morfometri, den kvantitative størrelse og formanalyse af strukturer i et billede, er central for mange neuroimaging undersøgelser. Desværre er de fleste MRI-analyseværktøjer designet til nær-isotropiske, højopløselige optagelser og kræver typisk T1-vægtede billeder såsom MP-RAGE. Deres ydeevne falder ofte hurtigt, efterhånden som voxelstørrelsen og anisotropien øges. Da langt de fleste eksisterende kliniske MR-scanninger er stærkt anisotrope, kan de ikke pålideligt analyseres med eksisterende værktøjer.

"Millioner af hjerne-MR-billeder i lav opløsning produceres hvert år, men kan i øjeblikket ikke analyseres med neuroimaging-software," forklarer hovedforsker Juan Eugenio Iglesias. ”Hovedmålet med min nuværende forskning er at udvikle algoritmer, der får hjerne-MR-billeder i lav opløsning til at ligne de højopløselige MR-scanninger, som vi bruger i forskning. Jeg er især interesseret i to applikationer: at muliggøre automatiseret 3D-analyse af de kliniske scanninger og brug med bærbare, lavfelts MRI-scannere."

Træning og test

LF-SynthSR er bygget på SynthSR, en metode udviklet af teamet til at træne en CNN til at forudsige 1 mm-opløsning MP-RAGE isotrope scanninger fra rutinemæssige kliniske MR-scanninger. Tidligere resultater rapporteret i NeuroImage viste, at SynthSR-genererede billeder pålideligt kunne bruges til subkortikal segmentering og volumetri, billedregistrering og, hvis nogle kvalitetskrav er opfyldt, endda kortikal tykkelsesmorfometri.

Både LF-SynthSR og SynthSR trænes på syntetiske inputbilleder af meget varierende udseende genereret fra 3D-segmenteringer og kan således bruges til at træne CNN'er til enhver kombination af kontrast, opløsning og orientering.

Iglesias påpeger, at neurale netværk fungerer bedst, når data ser ud til at være nogenlunde konstante, men hvert hospital bruger scannere fra forskellige leverandører, der er konfigureret forskelligt, hvilket resulterer i meget heterogene scanninger. ”For at tackle dette problem låner vi ideer fra et felt inden for maskinlæring kaldet 'domæne-randomisering', hvor man træner neurale netværk med syntetiske billeder, der simuleres til konstant at ændre udseende og opløsning, for at opnå trænede netværk, der er agnostiske overfor inputbilledernes udseende,” forklarer han.

For at vurdere ydeevnen af LF-SynthSR korrelerede forskerne hjernemorfologimålinger mellem syntetiske MRI'er og jord-sandhed højfeltstyrkebilleder. Til træning brugte de et MRI-datasæt med høj feltstyrke af 1 mm isotropiske MP-RAGE-scanninger fra 20 forsøgspersoner. De brugte også tilsvarende segmenteringer af 36 hjerneregioner af interesse (ROI'er) og tre ekstracerebrale ROI'er. Træningssættet blev også kunstigt udvidet til bedre at modellere patologisk væv såsom slagtilfælde eller blødning.

Testsættet omfattede billeddata fra 24 deltagere med neurologiske symptomer, som havde en lav-feltstyrke (0.064 T) scanning ud over en standard-of-care højfeltstyrke (1.5-3 T) MR. Algoritmen genererede med succes 1 mm isotropiske syntetiske MP-RAGE-billeder fra hjerne-MRI'er med lav feltstyrke med voxels mere end 10 gange mindre end i de originale data. Automatiseret segmentering af de syntetiske billeder fra en endelig prøve på 11 deltagere gav ROI-volumener, der var stærkt korrelerede med dem, der var afledt af MR-scanninger med høj feltstyrke.

"LF-SynthSR kan forbedre billedkvaliteten af MRI-scanninger med lav feltstyrke til det punkt, at de ikke kun er anvendelige ved automatiserede segmenteringsmetoder, men potentielt også med registrerings- og klassifikationsalgoritmer," skriver forskerne. "Det kan også bruges til at øge påvisningen af unormale læsioner."

Denne evne til at analysere hjerne-MR'er med lav opløsning ved hjælp af automatiseret morfometri ville gøre det muligt at studere sjældne sygdomme og populationer, der er underrepræsenteret i den nuværende neuroimaging forskning. Derudover vil en forbedring af kvaliteten af billeder fra bærbare MR-scannere forbedre deres brug i medicinsk underbetjente områder såvel som i kritisk pleje, hvor det ofte er for risikabelt at flytte patienter til en MR-suite.

Bærbar MR diagnosticerer slagtilfælde ved patientens seng

Iglesias siger, at en anden udfordring er den brede vifte af abnormiteter fundet i kliniske scanninger, som skal håndteres af CNN. "I øjeblikket fungerer SynthSR godt med sunde hjerner, tilfælde med atrofi og mindre abnormiteter som små scleroselæsioner eller små slagtilfælde," fortæller han Fysik verden. "Vi arbejder i øjeblikket på at forbedre metoden, så den effektivt kan håndtere større læsioner, såsom større slagtilfælde eller tumorer."

Skrivning i en ledsagende redaktion i Radiologi, Birgit Ertl-Wagner , Matthias Wagner fra Hospital for syge børn i Toronto kommentar: "Denne spændende tekniske udviklingsundersøgelse viser potentialet til at gå lavt på feltstyrke og sigte højt for rumlig og kontrastopløsning ved hjælp af kunstig intelligens."