L'IA crée des images cérébrales haute résolution à partir d'analyses IRM à faible champ

Les systèmes d'IRM portables à faible intensité de champ ont le potentiel de transformer la neuroimagerie - à condition que leur faible résolution spatiale et leur faible rapport signal sur bruit (SNR) puissent être surmontés. Des chercheurs de Harvard Medical School exploitent l'intelligence artificielle (IA) pour atteindre cet objectif. Ils ont développé un algorithme de super-résolution d'apprentissage automatique qui génère des images synthétiques à haute résolution spatiale à partir d'IRM cérébrales à plus faible résolution.

L'algorithme du réseau neuronal convolutif (CNN), connu sous le nom de LF-SynthSR, convertit les séquences d'IRM cérébrales pondérées T0.064 et T1 à faible champ (2 T) en images isotropes avec une résolution spatiale de 1 mm et l'apparition d'une aimantation pondérée en T1 -acquisition d'écho de gradient rapide (MP-RAGE) préparée. Décrivant leur étude de preuve de concept dans Radiologie, les chercheurs rapportent que les images synthétiques présentaient une forte corrélation avec les images acquises par les scanners IRM 1.5 T et 3.0 T.

La morphométrie, l'analyse quantitative de la taille et de la forme des structures dans une image, est au cœur de nombreuses études de neuroimagerie. Malheureusement, la plupart des outils d'analyse IRM sont conçus pour des acquisitions quasi isotropes à haute résolution et nécessitent généralement des images pondérées en T1 telles que MP-RAGE. Leurs performances chutent souvent rapidement à mesure que la taille des voxels et l'anisotropie augmentent. Comme la grande majorité des IRM cliniques existantes sont hautement anisotropes, elles ne peuvent pas être analysées de manière fiable avec les outils existants.

"Des millions d'images IRM cérébrales à basse résolution sont produites chaque année, mais ne peuvent actuellement pas être analysées avec un logiciel de neuroimagerie", explique le chercheur principal Juan Eugenio Iglesias. « L'objectif principal de mes recherches actuelles est de développer des algorithmes qui font ressembler les images IRM cérébrales à basse résolution aux IRM haute résolution que nous utilisons dans la recherche. Je suis particulièrement intéressé par deux applications : permettre l'analyse 3D automatisée des scans cliniques et l'utilisation avec des scanners IRM portables à faible champ. »

Formation et analyses

LF-SynthSR est basé sur SynthSR, une méthode développée par l'équipe pour entraîner un CNN à prédire les scans isotropes MP-RAGE à résolution de 1 mm à partir des scans IRM cliniques de routine. Les découvertes précédentes rapportées dans NeuroImage ont montré que les images générées par SynthSR pouvaient être utilisées de manière fiable pour la segmentation et la volumétrie sous-corticales, l'enregistrement d'images et, si certaines exigences de qualité sont satisfaites, même la morphométrie d'épaisseur corticale.

LF-SynthSR et SynthSR sont formés sur des images d'entrée synthétiques d'apparence très variable générées à partir de segmentations 3D, et peuvent donc être utilisés pour former des CNN pour toute combinaison de contraste, de résolution et d'orientation.

Iglesias souligne que les réseaux de neurones fonctionnent mieux lorsque les données semblent à peu près constantes, mais chaque hôpital utilise des scanners de différents fournisseurs qui sont configurés différemment, ce qui entraîne des analyses très hétérogènes. "Pour résoudre ce problème, nous empruntons des idées à un domaine de l'apprentissage automatique appelé" randomisation de domaine ", où vous entraînez des réseaux de neurones avec des images synthétiques qui sont simulées pour changer constamment d'apparence et de résolution, afin d'obtenir des réseaux formés qui sont agnostiques à l'apparence des images d'entrée », explique-t-il.

Pour évaluer les performances du LF-SynthSR, les chercheurs ont corrélé les mesures de la morphologie cérébrale entre les IRM synthétiques et les images à champ élevé de vérité au sol. Pour la formation, ils ont utilisé un ensemble de données IRM à champ élevé de scans MP-RAGE isotropes de 1 mm de 20 sujets. Ils ont également utilisé des segmentations correspondantes de 36 régions cérébrales d'intérêt (ROI) et de trois ROI extracérébrales. L'ensemble de formation a également été augmenté artificiellement pour mieux modéliser les tissus pathologiques tels que les accidents vasculaires cérébraux ou les hémorragies.

L'ensemble de tests comprenait des données d'imagerie de 24 participants présentant des symptômes neurologiques qui avaient un balayage à faible champ (0.064 T) en plus d'une IRM à champ élevé (1.5 à 3 T) standard. L'algorithme a généré avec succès des images MP-RAGE synthétiques isotropes de 1 mm à partir des IRM cérébrales à faible champ, avec des voxels plus de 10 fois plus petits que dans les données d'origine. La segmentation automatisée des images synthétiques à partir d'un échantillon final de 11 participants a produit des volumes de retour sur investissement hautement corrélés avec ceux dérivés des scans IRM à champ élevé.

"LF-SynthSR peut améliorer la qualité d'image des IRM à faible champ au point qu'ils sont utilisables non seulement par des méthodes de segmentation automatisées, mais potentiellement aussi avec des algorithmes d'enregistrement et de classification", écrivent les chercheurs. "Il pourrait également être utilisé pour augmenter la détection de lésions anormales."

Cette capacité à analyser des IRM cérébrales à basse résolution à l'aide de la morphométrie automatisée permettrait l'étude de maladies rares et de populations sous-représentées dans la recherche actuelle en neuroimagerie. De plus, l'amélioration de la qualité des images des scanners IRM portables améliorerait leur utilisation dans les zones médicalement mal desservies, ainsi que dans les soins intensifs, où le déplacement des patients vers une salle d'IRM est souvent trop risqué.

L'IRM portable diagnostique l'AVC au chevet du patient

Iglesias dit qu'un autre défi est le large éventail d'anomalies trouvées dans les analyses cliniques qui doivent être traitées par le CNN. "Actuellement, SynthSR fonctionne bien avec des cerveaux sains, des cas d'atrophie et des anomalies plus petites comme de petites lésions de sclérose en plaques ou de petits accidents vasculaires cérébraux", a-t-il déclaré. Monde de la physique. "Nous travaillons actuellement à l'amélioration de la méthode afin qu'elle puisse traiter efficacement les lésions plus importantes, comme les accidents vasculaires cérébraux ou les tumeurs plus importants."

Écrivant dans un éditorial d'accompagnement dans Radiologie, Birgit Ertl-Wagner ainsi que Mathias Wagner du Hôpital pour enfants malades à Toronto commente : "Cette étude de développement technique passionnante démontre le potentiel de réduire l'intensité du champ et de viser haut pour la résolution spatiale et de contraste en utilisant l'intelligence artificielle."

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
• La source: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/