AI luo korkearesoluutioisia aivokuvia alhaisen kentänvoimakkuuden MR-skannauksista

Kannettavat, matalan kenttävoimakkuuden MRI-järjestelmät voivat muuttaa hermokuvausta – edellyttäen, että niiden alhainen tilaresoluutio ja alhainen signaali-kohinasuhde (SNR) voidaan voittaa. Tutkijat osoitteessa Harvard Medical School hyödyntävät tekoälyä saavuttaakseen tämän tavoitteen. He ovat kehittäneet koneoppimisen superresoluutioalgoritmin, joka luo synteettisiä kuvia korkealla spatiaaliresoluutiolla alhaisemman resoluution aivojen MRI-skannauksista.

Konvoluutiohermoverkko (CNN) -algoritmi, joka tunnetaan nimellä LF-SynthSR, muuntaa matalan kentänvoimakkuuden (0.064 T) T1- ja T2-painotetut aivojen MRI-sekvenssit isotrooppisiksi kuviksi 1 mm:n tilaresoluutiolla ja T1-painotetun magnetisoinnin ilmeellä. -valmistettu nopea gradienttikaiku (MP-RAGE). Kuvaamalla heidän konseptitutkimuksensa Radiologia, tutkijat raportoivat, että synteettiset kuvat korreloivat voimakkaasti 1.5 T ja 3.0 T MRI-skannereilla otettujen kuvien kanssa.

Morfometria, kuvan rakenteiden kvantitatiivinen koko- ja muotoanalyysi, on keskeinen osa monissa neuroimaging-tutkimuksissa. Valitettavasti useimmat MRI-analyysityökalut on suunniteltu lähes isotrooppisiin, korkearesoluutioisiin mittauksiin ja vaativat yleensä T1-painotettuja kuvia, kuten MP-RAGE. Niiden suorituskyky heikkenee usein nopeasti vokselin koon ja anisotropian kasvaessa. Koska suurin osa olemassa olevista kliinisistä MRI-skannauksista on erittäin anisotrooppisia, niitä ei voida analysoida luotettavasti olemassa olevilla työkaluilla.

"Joka vuosi tuotetaan miljoonia matalaresoluutioisia aivojen MR-kuvia, mutta niitä ei tällä hetkellä voida analysoida neuroimaging-ohjelmistolla", selittää päätutkija. Juan Eugenio Iglesias. "Nykyisen tutkimukseni päätavoitteena on kehittää algoritmeja, jotka saavat matalaresoluutioiset aivojen MR-kuvat näyttämään tutkimuksessa käyttämiltämme korkearesoluutioisilta magneettikuvauksilta. Olen erityisen kiinnostunut kahdesta sovelluksesta: mahdollistaa kliinisten skannausten automaattisen 3D-analyysin ja käytön kannettavien, matalakenttäisten MRI-skannereiden kanssa.

Koulutus ja testaus

LF-SynthSR perustuu SynthSR:ään, menetelmään, jonka tiimi on kehittänyt kouluttaakseen CNN:n ennustamaan 1 mm:n resoluution MP-RAGE isotrooppisia skannauksia rutiininomaisista kliinisistä MR-skannauksista. Aikaisemmista löydöistä on raportoitu hermoston osoitti, että SynthSR:n luomia kuvia voitiin käyttää luotettavasti aivokuoren segmentointiin ja tilavuuden mittaamiseen, kuvan rekisteröintiin ja, jos jotkin laatuvaatimukset täyttyvät, jopa aivokuoren paksuusmorfometriaan.

Sekä LF-SynthSR että SynthSR on koulutettu 3D-segmentoinneista luotuihin synteettisiin syöttökuviin, joilla on erittäin vaihteleva ulkonäkö, ja niitä voidaan siten käyttää CNN:ien kouluttamiseen mitä tahansa kontrastin, resoluution ja suunnan yhdistelmää varten.

Iglesias huomauttaa, että hermoverkot toimivat parhaiten, kun tiedot näyttävät olevan suurin piirtein vakioita, mutta jokainen sairaala käyttää eri valmistajien skannereita, jotka on konfiguroitu eri tavalla, mikä johtaa erittäin heterogeenisiin skannauksiin. "Tämän ongelman ratkaisemiseksi lainaamme ideoita koneoppimisen alalta, jota kutsutaan "verkkotunnusten satunnaistamiseksi", jossa koulutetaan hermoverkkoja synteettisillä kuvilla, jotka simuloidaan jatkuvasti muuttavan ulkonäköä ja resoluutiota, jotta saadaan koulutettuja verkkoja, jotka ovat agnostikkoisia. tulokuvien ulkonäkö”, hän selittää.

LF-SynthSR:n suorituskyvyn arvioimiseksi tutkijat korreloivat aivojen morfologian mittauksia synteettisten MRI-kuvien ja maan totuuden korkean kentänvoimakkuuden kuvien välillä. Harjoitteluun he käyttivät 1 kohteen 20 mm:n isotrooppisia MP-RAGE-skannauksia korkean kentänvoimakkuuden MRI-aineistoa. He käyttivät myös vastaavia segmentaatioita 36 aivojen kiinnostavasta alueesta (ROI) ja kolmesta aivojen ulkopuolisesta ROI:sta. Harjoittelusarjaa lisättiin myös keinotekoisesti patologisen kudoksen, kuten aivohalvauksen tai verenvuodon, mallintamiseksi.

Testisarja sisälsi kuvantamistiedot 24 osallistujalta, joilla oli neurologisia oireita ja joille tehtiin matalan kentänvoimakkuuden (0.064 T) skannaus tavanomaisen korkean kentänvoimakkuuden (1.5–3 T) MRI:n lisäksi. Algoritmi loi onnistuneesti 1 mm:n isotrooppisia synteettisiä MP-RAGE-kuvia matalakenttävoimaisista aivojen MRI-kuvista, joiden vokselit olivat yli 10 kertaa pienemmät kuin alkuperäisissä tiedoissa. Synteettisten kuvien automaattinen segmentointi 11 osallistujan lopullisesta näytteestä tuotti ROI-tilavuuksia, jotka korreloivat voimakkaasti korkean kentänvoimakkuuden MR-skannausten kanssa.

"LF-SynthSR voi parantaa matalan kentänvoimakkuuden MRI-skannausten kuvanlaatua siihen pisteeseen, että niitä voidaan käyttää paitsi automaattisilla segmentointimenetelmillä, myös mahdollisesti myös rekisteröinti- ja luokittelualgoritmeilla", tutkijat kirjoittavat. "Sitä voitaisiin myös käyttää parantamaan epänormaalien leesioiden havaitsemista."

Tämä kyky analysoida matalaresoluutioisia aivojen MRI-kuvia automaattisen morfometrian avulla mahdollistaisi harvinaisten sairauksien ja populaatioiden tutkimuksen, jotka ovat aliedustettuina nykyisessä neurokuvantamistutkimuksessa. Lisäksi kannettavien MRI-skannereiden kuvien laadun parantaminen tehostaisi niiden käyttöä lääketieteellisesti alipalvelualueilla sekä tehohoidossa, jossa potilaiden siirtäminen magneettikuvauskeskukseen on usein liian riskialtista.

Kannettava MRI diagnosoi aivohalvauksen potilaan sängyn vieressä

Iglesias sanoo, että toinen haaste on laaja valikoima kliinisissä skannauksissa havaittuja poikkeavuuksia, jotka CNN:n on käsiteltävä. "Tällä hetkellä SynthSR toimii hyvin terveillä aivoilla, tapauksilla, joissa on atrofiaa ja pienempiä poikkeavuuksia, kuten pieniä multippeliskleroosivaurioita tai pieniä aivohalvauksia", hän kertoo. Fysiikan maailma. "Työskentelemme parhaillaan menetelmän parantamiseksi, jotta se pystyy käsittelemään tehokkaasti suurempia vaurioita, kuten suurempia aivohalvauksia tai kasvaimia."

Kirjoittaminen oheiseen pääkirjoitukseen Radiologia, Birgit Ertl-Wagner ja Matthias Wagner mistä Sairaiden sairaala Torontossa kommentoi: "Tämä jännittävä teknisen kehityksen tutkimus osoittaa, että kenttävoimakkuutta voidaan laskea alhaiseksi ja tähdätä korkeaan tila- ja kontrastiresoluutioon tekoälyn avulla."

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/