هوش مصنوعی تصاویر مغزی با وضوح بالا را از اسکن‌های MR با قدرت میدان پایین ایجاد می‌کند

سیستم‌های MRI قابل حمل با قدرت میدان کم، پتانسیل تغییر تصویربرداری عصبی را دارند - به شرطی که بتوان بر وضوح فضایی پایین و نسبت سیگنال به نویز پایین (SNR) غلبه کرد. محققان در دانشکده پزشکی هاروارد برای رسیدن به این هدف از هوش مصنوعی (AI) استفاده می کنند. آنها یک الگوریتم یادگیری ماشینی با وضوح فوق العاده ایجاد کرده اند که تصاویر مصنوعی با وضوح فضایی بالا را از اسکن های MRI مغز با وضوح پایین تولید می کند.

الگوریتم شبکه عصبی کانولوشنال (CNN) که با نام LF-SynthSR شناخته می شود، توالی های MRI مغز با وزن T0.064 و T1 با قدرت میدان کم (2 T) را به تصاویر همسانگرد با وضوح فضایی 1 میلی متر و ظاهر یک مغناطیس با وزن T1 تبدیل می کند. آماده سازی gradient-echo سریع (MP-RAGE). شرح مطالعه اثبات مفهوم آنها در رادیولوژیمحققان گزارش کردند که تصاویر مصنوعی همبستگی بالایی با تصاویر به دست آمده توسط اسکنرهای MRI 1.5 T و 3.0 T نشان دادند.

مورفومتری، تجزیه و تحلیل کمی اندازه و شکل ساختارها در یک تصویر، در بسیاری از مطالعات تصویربرداری عصبی نقش اساسی دارد. متأسفانه، اکثر ابزارهای آنالیز MRI ​​برای اکتساب های نزدیک به همسانگرد و با وضوح بالا طراحی شده اند و معمولاً به تصاویر با وزن T1 مانند MP-RAGE نیاز دارند. عملکرد آنها اغلب با افزایش اندازه وکسل و ناهمسانگردی به سرعت کاهش می یابد. از آنجایی که اکثریت قریب به اتفاق اسکن های MRI بالینی موجود بسیار ناهمسانگرد هستند، نمی توان آنها را به طور قابل اعتماد با ابزارهای موجود تجزیه و تحلیل کرد.

محقق اصلی توضیح می دهد: "میلیون ها تصویر MR مغز با وضوح پایین هر سال تولید می شود، اما در حال حاضر نمی توان با نرم افزار تصویربرداری عصبی آنالیز کرد." خوان یوجنیو ایگلسیاس. "هدف اصلی تحقیق فعلی من توسعه الگوریتم هایی است که تصاویر MR مغز با وضوح پایین را شبیه اسکن های MRI با وضوح بالا می کند که ما در تحقیقات از آنها استفاده می کنیم. من به طور خاص به دو کاربرد علاقه مند هستم: فعال کردن تجزیه و تحلیل سه بعدی خودکار اسکن های بالینی و استفاده با اسکنرهای قابل حمل MRI با میدان کم.

آموزش و تست

LF-SynthSR بر اساس SynthSR ساخته شده است، روشی که توسط این تیم برای آموزش CNN برای پیش بینی اسکن های همسانگرد MP-RAGE با وضوح 1 میلی متر از اسکن های معمول بالینی MR ایجاد شده است. یافته های قبلی گزارش شده در NeuroImage نشان داد که تصاویر تولید شده توسط SynthSR می توانند به طور قابل اعتمادی برای تقسیم بندی و حجم بندی زیر قشری، ثبت تصویر و در صورت برآورده شدن برخی الزامات کیفیت، حتی مورفومتری ضخامت قشر مغز مورد استفاده قرار گیرند.

هر دو LF-SynthSR و SynthSR بر روی تصاویر ورودی مصنوعی با ظاهر بسیار متفاوت ایجاد شده از بخش‌بندی‌های سه بعدی آموزش دیده‌اند و بنابراین می‌توان از آنها برای آموزش CNN برای هر ترکیبی از کنتراست، وضوح و جهت استفاده کرد.

ایگلسیاس اشاره می‌کند که شبکه‌های عصبی زمانی بهترین عملکرد را دارند که داده‌ها تقریباً ثابت به نظر می‌رسند، اما هر بیمارستانی از اسکنرهایی از فروشندگان مختلف استفاده می‌کند که پیکربندی متفاوتی دارند، که در نتیجه اسکن‌های بسیار ناهمگن است. برای مقابله با این مشکل، ما ایده‌هایی را از حوزه یادگیری ماشینی به نام «تصادفی‌سازی دامنه» وام گرفته‌ایم، که در آن شبکه‌های عصبی را با تصاویر مصنوعی شبیه‌سازی می‌کنید تا دائماً ظاهر و وضوح تغییر کنند، تا شبکه‌های آموزش‌دیده‌ای را به‌دست آوریم که با آن‌ها آشنا هستند. ظاهر تصاویر ورودی،” او توضیح می دهد.

برای ارزیابی عملکرد LF-SynthSR، محققان اندازه‌گیری‌های مورفولوژی مغز را بین MRIهای مصنوعی و تصاویر با قدرت میدان بالا با حقیقت زمین مرتبط کردند. برای آموزش، آنها از مجموعه داده های MRI با قدرت میدان بالا از اسکن های MP-RAGE همسانگرد 1 میلی متری از 20 نفر استفاده کردند. آنها همچنین از تقسیم بندی های مربوط به 36 ناحیه مورد علاقه مغز (ROIs) و سه ROI خارج مغزی استفاده کردند. مجموعه تمرینی همچنین به طور مصنوعی برای مدل‌سازی بهتر بافت پاتولوژیک مانند سکته مغزی یا خونریزی تقویت شد.

مجموعه آزمایش شامل داده‌های تصویربرداری از 24 شرکت‌کننده با علائم عصبی بود که اسکن با قدرت میدان کم (0.064 T) علاوه بر MRI با شدت میدان بالا (1.5-3 T) استاندارد مراقبت داشتند. این الگوریتم با موفقیت تصاویر MP-RAGE مصنوعی 1 میلی متری همسانگرد را از MRI ​​های مغزی با قدرت میدان کم، با وکسل هایی بیش از 10 برابر کوچکتر از داده های اصلی تولید کرد. تقسیم‌بندی خودکار تصاویر مصنوعی از نمونه نهایی 11 شرکت‌کننده، حجم‌های ROI را به همراه داشت که با آنهایی که از اسکن‌های MR با قدرت میدان بالا به دست می‌آیند همبستگی زیادی داشت.

محققان می نویسند: "LF-SynthSR ممکن است کیفیت تصویر اسکن های MRI با قدرت میدان کم را تا حدی بهبود بخشد که نه تنها با روش های تقسیم بندی خودکار بلکه به طور بالقوه با الگوریتم های ثبت و طبقه بندی نیز قابل استفاده باشند." همچنین می تواند برای افزایش تشخیص ضایعات غیرطبیعی استفاده شود.

این توانایی برای تجزیه و تحلیل MRIهای مغزی با وضوح پایین با استفاده از مورفومتری خودکار، مطالعه بیماری‌ها و جمعیت‌های نادری را که در تحقیقات تصویربرداری عصبی فعلی کمتر ارائه شده‌اند، امکان‌پذیر می‌سازد. علاوه بر این، بهبود کیفیت تصاویر از اسکنرهای MRI قابل حمل، استفاده از آن‌ها را در مناطقی که از نظر پزشکی ضعیف هستند و همچنین در مراقبت‌های ویژه، که انتقال بیماران به مجموعه MRI اغلب بسیار خطرناک است، افزایش می‌دهد.

ام آر آی قابل حمل سکته مغزی را در کنار بالین بیمار تشخیص می دهد

ایگلسیاس می گوید که چالش دیگر طیف گسترده ای از ناهنجاری های موجود در اسکن های بالینی است که باید توسط CNN رسیدگی شود. او می گوید: «در حال حاضر، SynthSR با مغزهای سالم، موارد مبتلا به آتروفی، و ناهنجاری های کوچکتر مانند ضایعات مولتیپل اسکلروزیس کوچک یا سکته های کوچک به خوبی کار می کند. دنیای فیزیک. ما در حال حاضر برای بهبود این روش کار می کنیم تا بتواند به طور موثر با ضایعات بزرگتر مانند سکته مغزی یا تومورهای بزرگتر مقابله کند.

نوشتن در سرمقاله همراه در رادیولوژی, بیرگیت ارتل واگنر و ماتیاس واگنر از بیمارستان کودکان مریض در تورنتو اظهار داشت: "این مطالعه توسعه فنی هیجان انگیز پتانسیل پایین آمدن در قدرت میدان و هدف گذاری بالا برای وضوح فضایی و کنتراست با استفاده از هوش مصنوعی را نشان می دهد."

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/