Η τεχνητή νοημοσύνη δημιουργεί εικόνες εγκεφάλου υψηλής ανάλυσης από σαρώσεις μαγνητικής τομογραφίας χαμηλής έντασης πεδίου

Τα φορητά συστήματα μαγνητικής τομογραφίας χαμηλής ισχύος πεδίου έχουν τη δυνατότητα να μεταμορφώσουν τη νευροαπεικόνιση – υπό την προϋπόθεση ότι μπορούν να ξεπεραστούν η χαμηλή χωρική τους ανάλυση και ο χαμηλός λόγος σήματος προς θόρυβο (SNR). Ερευνητές στο Ιατρική Σχολή του Χάρβαρντ αξιοποιούν την τεχνητή νοημοσύνη (AI) για την επίτευξη αυτού του στόχου. Έχουν αναπτύξει έναν αλγόριθμο υπερ-ανάλυσης μηχανικής μάθησης που δημιουργεί συνθετικές εικόνες με υψηλή χωρική ανάλυση από σαρώσεις MRI εγκεφάλου χαμηλότερης ανάλυσης.

Ο αλγόριθμος συνελικτικού νευρωνικού δικτύου (CNN), γνωστός ως LF-SynthSR, μετατρέπει τις ακολουθίες μαγνητικής τομογραφίας εγκεφάλου με βαρύτητα χαμηλής έντασης (0.064 T) T1 και T2 σε ισότροπες εικόνες με χωρική ανάλυση 1 mm και εμφάνιση μαγνήτισης με στάθμιση T1 -Προετοιμασμένη λήψη ταχείας κλίσης-ηχούς (MP-RAGE). Περιγράφοντας τη μελέτη απόδειξης της ιδέας τους στο Ραδιολογία, οι ερευνητές αναφέρουν ότι οι συνθετικές εικόνες εμφάνισαν υψηλή συσχέτιση με εικόνες που αποκτήθηκαν από σαρωτές μαγνητικής τομογραφίας 1.5 T και 3.0 T.

Η μορφομετρία, η ποσοτική ανάλυση μεγέθους και σχήματος των δομών σε μια εικόνα, είναι κεντρική σε πολλές μελέτες νευροαπεικόνισης. Δυστυχώς, τα περισσότερα εργαλεία ανάλυσης μαγνητικής τομογραφίας έχουν σχεδιαστεί για σχεδόν ισοτροπικές, υψηλής ανάλυσης αποκτήσεις και συνήθως απαιτούν εικόνες με στάθμιση T1, όπως το MP-RAGE. Η απόδοσή τους συχνά πέφτει γρήγορα καθώς αυξάνεται το μέγεθος των voxel και η ανισοτροπία. Καθώς η συντριπτική πλειονότητα των υφιστάμενων κλινικών σαρώσεων MRI είναι εξαιρετικά ανισότροπες, δεν μπορούν να αναλυθούν αξιόπιστα με τα υπάρχοντα εργαλεία.

«Εκατομμύρια εικόνες μαγνητικής τομογραφίας εγκεφάλου χαμηλής ανάλυσης παράγονται κάθε χρόνο, αλλά επί του παρόντος δεν μπορούν να αναλυθούν με λογισμικό νευροαπεικόνισης», εξηγεί ο κύριος ερευνητής. Χουάν Ευγένιο Ιγκλέσιας. «Ο κύριος στόχος της τρέχουσας έρευνάς μου είναι να αναπτύξω αλγόριθμους που κάνουν τις εικόνες μαγνητικής τομογραφίας εγκεφάλου χαμηλής ανάλυσης να μοιάζουν με τις μαγνητικές τομογραφίες υψηλής ανάλυσης που χρησιμοποιούμε στην έρευνα. Ενδιαφέρομαι ιδιαίτερα για δύο εφαρμογές: την ενεργοποίηση της αυτοματοποιημένης τρισδιάστατης ανάλυσης των κλινικών σαρώσεων και τη χρήση με φορητούς σαρωτές μαγνητικής τομογραφίας χαμηλού πεδίου.»

Εκπαίδευση και δοκιμές

Το LF-SynthSR βασίζεται στο SynthSR, μια μέθοδο που αναπτύχθηκε από την ομάδα για να εκπαιδεύσει ένα CNN να προβλέπει ισοτροπικές σαρώσεις MP-RAGE ανάλυσης 1 mm από συνήθεις κλινικές σαρώσεις MR. Προηγούμενα ευρήματα αναφέρθηκαν στο NeuroImage έδειξε ότι οι εικόνες που δημιουργούνται από το SynthSR θα μπορούσαν να χρησιμοποιηθούν αξιόπιστα για υποφλοιώδη κατάτμηση και ογκομετρία, καταχώρηση εικόνας και, εάν πληρούνται ορισμένες απαιτήσεις ποιότητας, ακόμη και για μορφομετρία πάχους φλοιού.

Τόσο το LF-SynthSR όσο και το SynthSR εκπαιδεύονται σε συνθετικές εικόνες εισόδου με πολύ διαφορετική εμφάνιση που δημιουργούνται από τμηματοποιήσεις 3D και μπορούν επομένως να χρησιμοποιηθούν για την εκπαίδευση CNN για οποιονδήποτε συνδυασμό αντίθεσης, ανάλυσης και προσανατολισμού.

Ο Iglesias επισημαίνει ότι τα νευρωνικά δίκτυα αποδίδουν καλύτερα όταν τα δεδομένα εμφανίζονται περίπου σταθερά, αλλά κάθε νοσοκομείο χρησιμοποιεί σαρωτές από διαφορετικούς προμηθευτές που έχουν διαμορφωθεί διαφορετικά, με αποτέλεσμα εξαιρετικά ετερογενείς σαρώσεις. «Για να αντιμετωπίσουμε αυτό το πρόβλημα, δανειζόμαστε ιδέες από ένα πεδίο μηχανικής μάθησης που ονομάζεται «τυχαιοποίηση τομέα», όπου εκπαιδεύετε νευρωνικά δίκτυα με συνθετικές εικόνες που προσομοιώνονται ώστε να αλλάζουν συνεχώς εμφάνιση και ανάλυση, προκειμένου να αποκτηθούν εκπαιδευμένα δίκτυα που είναι αγνωστικά την εμφάνιση των εικόνων εισόδου», εξηγεί.

Για να αξιολογήσουν την απόδοση του LF-SynthSR, οι ερευνητές συσχέτισαν τις μετρήσεις της μορφολογίας του εγκεφάλου μεταξύ συνθετικών MRI και εικόνων υψηλής αντοχής στο πεδίο της αλήθειας. Για την εκπαίδευση, χρησιμοποίησαν ένα σύνολο δεδομένων MRI υψηλής αντοχής σε ισότροπες σαρώσεις MP-RAGE 1 mm από 20 άτομα. Χρησιμοποίησαν επίσης αντίστοιχες τμηματοποιήσεις 36 εγκεφαλικών περιοχών ενδιαφέροντος (ROI) και τριών εξωεγκεφαλικών ROI. Το σετ προπόνησης αυξήθηκε επίσης τεχνητά για να μοντελοποιήσει καλύτερα τον παθολογικό ιστό, όπως το εγκεφαλικό επεισόδιο ή την αιμορραγία.

Το σετ δοκιμών περιελάμβανε δεδομένα απεικόνισης από 24 συμμετέχοντες με νευρολογικά συμπτώματα που είχαν σάρωση χαμηλής έντασης πεδίου (0.064 Τ) εκτός από μια τυπική μαγνητική τομογραφία υψηλής ισχύος πεδίου (1.5–3 Τ) τυπικής φροντίδας. Ο αλγόριθμος δημιούργησε επιτυχώς ισότροπες συνθετικές εικόνες MP-RAGE 1 mm από τις μαγνητικές τομογραφίες εγκεφάλου χαμηλής ισχύος πεδίου, με voxel πάνω από 10 φορές μικρότερα από ό,τι στα αρχικά δεδομένα. Η αυτοματοποιημένη κατάτμηση των συνθετικών εικόνων από ένα τελικό δείγμα 11 συμμετεχόντων απέδωσε όγκους απόδοσης επένδυσης (ROI) που συσχετίστηκαν σε μεγάλο βαθμό με αυτούς που προέρχονται από τις σαρώσεις MR υψηλής ισχύος πεδίου.

«Το LF-SynthSR μπορεί να βελτιώσει την ποιότητα της εικόνας των σαρώσεων μαγνητικής τομογραφίας χαμηλής έντασης πεδίου σε σημείο που να μπορούν να χρησιμοποιηθούν όχι μόνο με αυτοματοποιημένες μεθόδους τμηματοποίησης αλλά ενδεχομένως και με αλγόριθμους εγγραφής και ταξινόμησης», γράφουν οι ερευνητές. «Θα μπορούσε επίσης να χρησιμοποιηθεί για να αυξήσει την ανίχνευση μη φυσιολογικών βλαβών».

Αυτή η ικανότητα ανάλυσης MRI εγκεφάλου χαμηλής ανάλυσης χρησιμοποιώντας αυτοματοποιημένη μορφομετρία θα επέτρεπε τη μελέτη σπάνιων ασθενειών και πληθυσμών που υποεκπροσωπούνται στην τρέχουσα έρευνα νευροαπεικόνισης. Επιπλέον, η βελτίωση της ποιότητας των εικόνων από φορητούς σαρωτές μαγνητικής τομογραφίας θα ενίσχυε τη χρήση τους σε ιατρικά υποεξυπηρετούμενες περιοχές, καθώς και στην εντατική φροντίδα, όπου η μεταφορά ασθενών σε σουίτα μαγνητικής τομογραφίας είναι συχνά πολύ επικίνδυνη.

Η φορητή μαγνητική τομογραφία διαγιγνώσκει εγκεφαλικό στο κρεβάτι του ασθενούς

Ο Iglesias λέει ότι μια άλλη πρόκληση είναι το ευρύ φάσμα ανωμαλιών που εντοπίζονται σε κλινικές σαρώσεις που πρέπει να αντιμετωπιστούν από το CNN. «Προς το παρόν, το SynthSR λειτουργεί καλά με υγιείς εγκεφάλους, περιπτώσεις με ατροφία και μικρότερες ανωμαλίες όπως μικρές βλάβες πολλαπλής σκλήρυνσης ή μικρά εγκεφαλικά», λέει. Κόσμος Φυσικής. «Αυτή τη στιγμή εργαζόμαστε για να βελτιώσουμε τη μέθοδο, ώστε να μπορεί να αντιμετωπίσει αποτελεσματικά μεγαλύτερες βλάβες, όπως μεγαλύτερα εγκεφαλικά επεισόδια ή όγκους».

Γράφοντας σε συνοδευτικό άρθρο στο Ραδιολογία, Μπίργκιτ Ερτλ-Βάγκνερ και Ματίας Βάγκνερ από το Νοσοκομείο για άρρωστα παιδιά στο Τορόντο σχολίασε: «Αυτή η συναρπαστική μελέτη τεχνικής ανάπτυξης καταδεικνύει τη δυνατότητα να μειωθεί η ισχύς του πεδίου και να στοχεύει υψηλά σε χωρική ανάλυση και ανάλυση αντίθεσης χρησιμοποιώντας τεχνητή νοημοσύνη».

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/