Az AI kis térerősségű MR-vizsgálatokból nagy felbontású agyi képeket hoz létre

A hordozható, kis térerősségű MRI-rendszerek képesek átalakítani az idegképalkotást – feltéve, hogy alacsony térbeli felbontásukkal és alacsony jel-zaj (SNR) arányukkal leküzdhetők. Kutatók a Harvard Medical School mesterséges intelligenciát (AI) használnak e cél elérése érdekében. Kifejlesztettek egy gépi tanulási szuperfelbontású algoritmust, amely nagy térbeli felbontású szintetikus képeket generál alacsonyabb felbontású agyi MRI-vizsgálatokból.

Az LF-SynthSR néven ismert konvolúciós neurális hálózat (CNN) algoritmus az alacsony térerősségű (0.064 T) T1- és T2-súlyozott agyi MRI-szekvenciákat 1 mm-es térbeli felbontású izotróp képekké alakítja át T1-súlyozott mágnesezettség megjelenésével. -előkészített rapid gradient-echo (MP-RAGE) felvétel. Koncepciót igazoló tanulmányuk leírása itt Radiológia, a kutatók arról számolnak be, hogy a szintetikus képek magas korrelációt mutattak az 1.5 T és 3.0 T MRI szkennerek által készített képekkel.

A morfometria, a képen lévő struktúrák mennyiségi méret- és alakelemzése központi szerepet játszik számos neuroimaging vizsgálatban. Sajnos a legtöbb MRI-elemző eszközt közel izotróp, nagy felbontású felvételekhez tervezték, és jellemzően T1-súlyozott képekre van szükség, mint például az MP-RAGE. Teljesítményük gyakran gyorsan csökken a voxelméret és az anizotrópia növekedésével. Mivel a meglévő klinikai MRI-vizsgálatok túlnyomó többsége erősen anizotróp, nem elemezhetők megbízhatóan a meglévő eszközökkel.

„Évente több millió kis felbontású agyi MR-kép készül, de jelenleg nem elemezhetők neuroimaging szoftverrel” – magyarázza a kutató. Juan Eugenio Iglesias. „Jelenlegi kutatásaim fő célja olyan algoritmusok kifejlesztése, amelyek az alacsony felbontású agyi MR-képeket a kutatás során használt nagy felbontású MRI-vizsgálatokhoz hasonlóvá teszik. Két alkalmazás érdekel különösen: lehetővé teszi a klinikai szkennelések automatizált 3D-s elemzését, valamint a hordozható, alacsony látóterű MRI-szkennerekkel való felhasználást.”

Képzés és tesztelés

Az LF-SynthSR a SynthSR-re épül, egy olyan módszerre, amelyet a csapat arra fejlesztett ki, hogy megtanítsa a CNN-t, hogy előre jelezze az 1 mm-es felbontású MP-RAGE izotróp felvételeket a rutin klinikai MR-vizsgálatokból. A korábbi eredményekről ben számoltak be NeuroImage kimutatta, hogy a SynthSR által generált képek megbízhatóan használhatók szubkortikális szegmentációra és volumetriára, képregisztrációra, és ha bizonyos minőségi követelmények teljesülnek, akár kérgi vastagságmorfometriára is.

Mind az LF-SynthSR, mind a SynthSR a 3D-s szegmentálásokból előállított, erősen változó megjelenésű szintetikus bemeneti képekre van kiképezve, így felhasználhatók a CNN-ek betanítására a kontraszt, a felbontás és az orientáció bármilyen kombinációjára.

Iglesias rámutat arra, hogy a neurális hálózatok akkor teljesítenek a legjobban, ha az adatok megközelítőleg állandónak tűnnek, de minden kórház különböző gyártóktól eltérően konfigurált szkennereket használ, ami rendkívül heterogén szkennelést eredményez. „A probléma megoldásához ötleteket kölcsönözünk a gépi tanulás „tartomány véletlenszerűsítésének” nevezett területéről, ahol neurális hálózatokat képeznek szintetikus képekkel, amelyek szimulációja folyamatosan változtatja a megjelenést és a felbontást, hogy képzett hálózatokat kapjon, amelyek agnosztikusak. a bemeneti képek megjelenése” – magyarázza.

Az LF-SynthSR teljesítményének felmérése érdekében a kutatók az agy morfológiai méréseit korrelálták a szintetikus MRI-k és az alap-igazság nagy térerősségű képek között. Az edzéshez 1 alany 20 mm-es izotróp MP-RAGE felvételeiből álló, nagy térerősségű MRI-adatkészletet használtak. 36 érdekes agyi régió (ROI) és három extracerebrális ROI megfelelő szegmentációját is alkalmazták. A tréningkészletet mesterségesen is kiegészítették, hogy jobban modellezzék a patológiás szöveteket, például a stroke-ot vagy a vérzést.

A tesztkészlet 24, neurológiai tünetekkel küzdő résztvevő képalkotó adatait tartalmazta, akiknél alacsony térerősségű (0.064 T) szkennelést végeztek, a szokásos, nagy térerősségű (1.5–3 T) MRI mellett. Az algoritmus sikeresen generált 1 mm-es izotróp szintetikus MP-RAGE képeket az alacsony térerősségű agyi MRI-kből, az eredeti adatoknál több mint 10-szer kisebb voxelekkel. A 11 résztvevőből álló végső mintából származó szintetikus képek automatikus szegmentálása olyan ROI-térfogatokat eredményezett, amelyek szorosan korreláltak a nagy térerősségű MR-vizsgálatokból származókkal.

"Az LF-SynthSR odáig javíthatja az alacsony térerősségű MRI-vizsgálatok képminőségét, hogy nem csak automatizált szegmentációs módszerekkel, hanem potenciálisan regisztrációs és osztályozási algoritmusokkal is használhatók" - írják a kutatók. "Használható a kóros elváltozások kimutatásának fokozására is."

Ez az alacsony felbontású agyi MRI-k automatizált morfometria segítségével történő elemzésének képessége lehetővé tenné a ritka betegségek és populációk tanulmányozását, amelyek alulreprezentáltak a jelenlegi neuroimaging kutatásokban. Ezenkívül a hordozható MRI-szkennerek képeinek minőségének javítása javítaná azok alkalmazását az egészségügyileg gyengén ellátott területeken, valamint a kritikus ellátásban, ahol a betegek MRI-szobába költöztetése gyakran túl kockázatos.

A hordozható MRI diagnosztizálja a stroke-ot a beteg ágyánál

Iglesias szerint egy másik kihívás a klinikai vizsgálatok során talált rendellenességek széles skálája, amelyeket a CNN-nek kell kezelnie. „Jelenleg a SynthSR jól működik egészséges agyvel, sorvadásos esetekkel és kisebb rendellenességekkel, például kis sclerosis multiplex-elváltozásokkal vagy kis agyvérzésekkel” – mondja. Fizika Világa. „Jelenleg azon dolgozunk, hogy javítsuk a módszert, hogy hatékonyan lehessen kezelni a nagyobb elváltozásokat, például a nagyobb agyvérzéseket vagy daganatokat.”

Írás a kísérő vezércikkben in Radiológia, Birgit Ertl-Wagner és a Matthias Wagner tól Beteg gyermekek kórháza Torontóban: "Ez az izgalmas műszaki fejlesztési tanulmány bemutatja a lehetőségét, hogy a térerősség csökken, és a mesterséges intelligencia használatával magas térbeli és kontrasztfelbontást célozzon meg."

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/