AI menciptakan gambar otak beresolusi tinggi dari pemindaian MR berkekuatan medan rendah

Sistem MRI portabel dengan medan rendah memiliki potensi untuk mentransformasi neuroimaging – asalkan resolusi spasialnya yang rendah dan rasio signal-to-noise (SNR) yang rendah dapat diatasi. Peneliti di Harvard Medical School memanfaatkan kecerdasan buatan (AI) untuk mencapai tujuan ini. Mereka telah mengembangkan algoritme resolusi super pembelajaran mesin yang menghasilkan gambar sintetis dengan resolusi spasial tinggi dari pemindaian MRI otak beresolusi lebih rendah.

Algoritme convolutional neural network (CNN), yang dikenal sebagai LF-SynthSR, mengonversi kekuatan medan rendah (0.064 T) urutan MRI otak berbobot T1 dan T2 menjadi gambar isotropik dengan resolusi spasial 1 mm dan tampilan magnetisasi berbobot T1 -menyiapkan akuisisi gradien-gema cepat (MP-RAGE). Menggambarkan studi proof-of-concept mereka di Radiologi, para peneliti melaporkan bahwa gambar sintetik menunjukkan korelasi tinggi dengan gambar yang diperoleh oleh pemindai MRI 1.5 T dan 3.0 T.

Morfometri, ukuran kuantitatif dan analisis bentuk struktur dalam sebuah gambar, merupakan pusat dari banyak studi neuroimaging. Sayangnya, sebagian besar alat analisis MRI dirancang untuk akuisisi resolusi tinggi yang hampir isotropik dan biasanya memerlukan gambar berbobot T1 seperti MP-RAGE. Kinerja mereka sering turun dengan cepat seiring dengan peningkatan ukuran voxel dan anisotropi. Karena sebagian besar pemindaian MRI klinis yang ada sangat anisotropik, pemindaian tersebut tidak dapat dianalisis secara andal dengan alat yang ada.

“Jutaan gambar MR otak beresolusi rendah diproduksi setiap tahun, tetapi saat ini tidak dapat dianalisis dengan perangkat lunak neuroimaging,” jelas peneliti utama Juan Eugenio Iglesias. “Tujuan utama penelitian saya saat ini adalah untuk mengembangkan algoritme yang membuat gambar MR otak beresolusi rendah terlihat seperti pemindaian MRI beresolusi tinggi yang kami gunakan dalam penelitian. Saya secara khusus tertarik pada dua aplikasi: memungkinkan analisis 3D otomatis dari pemindaian klinis dan penggunaan dengan pemindai MRI medan rendah yang portabel.”

Pelatihan dan pengujian

LF-SynthSR dibangun di atas SynthSR, sebuah metode yang dikembangkan oleh tim untuk melatih CNN untuk memprediksi pemindaian isotropik MP-RAGE beresolusi 1 mm dari pemindaian MR klinis rutin. Temuan sebelumnya dilaporkan di NeuroImage menunjukkan bahwa gambar yang dihasilkan SynthSR dapat digunakan secara andal untuk segmentasi dan volumetri subkortikal, registrasi gambar dan, jika beberapa persyaratan kualitas terpenuhi, bahkan morfometri ketebalan kortikal.

Baik LF-SynthSR dan SynthSR dilatih pada gambar input sintetik dengan tampilan sangat bervariasi yang dihasilkan dari segmentasi 3D, dan dengan demikian dapat digunakan untuk melatih CNN untuk kombinasi kontras, resolusi, dan orientasi apa pun.

Iglesias menunjukkan bahwa jaringan saraf bekerja paling baik ketika data muncul kira-kira konstan, tetapi setiap rumah sakit menggunakan pemindai dari vendor berbeda yang dikonfigurasi secara berbeda, menghasilkan pemindaian yang sangat heterogen. “Untuk mengatasi masalah ini, kami meminjam ide dari bidang pembelajaran mesin yang disebut 'pengacakan domain', di mana Anda melatih jaringan saraf dengan gambar sintetik yang disimulasikan untuk terus mengubah tampilan dan resolusi, untuk mendapatkan jaringan terlatih yang agnostik ke tampilan gambar masukan,” jelasnya.

Untuk menilai kinerja LF-SynthSR, para peneliti mengkorelasikan pengukuran morfologi otak antara MRI sintetik dan gambar kekuatan medan-tinggi ground-truth. Untuk pelatihan, mereka menggunakan dataset MRI kekuatan bidang tinggi dari pemindaian MP-RAGE isotropik 1 mm dari 20 subjek. Mereka juga menggunakan segmentasi yang sesuai dari 36 region of interest (ROI) otak dan tiga ROI ekstraserebral. Perangkat pelatihan juga ditambah secara artifisial untuk memodelkan jaringan patologis yang lebih baik seperti stroke atau perdarahan.

Set tes terdiri dari data pencitraan dari 24 peserta dengan gejala neurologis yang memiliki pemindaian kekuatan medan rendah (0.064 T) selain MRI kekuatan medan tinggi (1.5–3 T) perawatan standar. Algoritme berhasil menghasilkan gambar MP-RAGE sintetis isotropik 1 mm dari MRI otak berkekuatan medan rendah, dengan voxel lebih dari 10 kali lebih kecil daripada data aslinya. Segmentasi otomatis gambar sintetik dari sampel akhir 11 peserta menghasilkan volume ROI yang sangat berkorelasi dengan yang berasal dari pemindaian MR kekuatan medan tinggi.

“LF-SynthSR dapat meningkatkan kualitas gambar pemindaian MRI berkekuatan medan rendah ke titik di mana mereka dapat digunakan tidak hanya dengan metode segmentasi otomatis tetapi berpotensi juga dengan algoritma registrasi dan klasifikasi,” tulis para peneliti. “Itu juga bisa digunakan untuk menambah deteksi lesi abnormal.”

Kemampuan untuk menganalisis MRI otak beresolusi rendah menggunakan morfometri otomatis akan memungkinkan studi tentang penyakit langka dan populasi yang kurang terwakili dalam penelitian neuroimaging saat ini. Selain itu, meningkatkan kualitas gambar dari pemindai MRI portabel akan meningkatkan penggunaannya di area yang kurang terlayani secara medis, serta dalam perawatan kritis, di mana memindahkan pasien ke rangkaian MRI seringkali terlalu berisiko.

MRI portabel mendiagnosis stroke di samping tempat tidur pasien

Iglesias mengatakan bahwa tantangan lain adalah banyaknya kelainan yang ditemukan dalam pemindaian klinis yang perlu ditangani oleh CNN. “Saat ini, SynthSR bekerja dengan baik dengan otak yang sehat, kasus dengan atrofi, dan kelainan yang lebih kecil seperti lesi multiple sclerosis kecil atau stroke kecil,” katanya. Dunia Fisika. “Saat ini kami sedang bekerja untuk meningkatkan metode ini sehingga dapat secara efektif menangani lesi yang lebih besar, seperti stroke atau tumor yang lebih besar.”

Menulis dalam editorial yang menyertai di Radiologi, Birgit Ertl-Wagner dan Matias Wagner dari Rumah Sakit untuk Anak Sakit di Toronto komentar: "Studi pengembangan teknis yang menarik ini menunjukkan potensi untuk menjadi rendah pada kekuatan lapangan dan bertujuan tinggi untuk resolusi spasial dan kontras menggunakan kecerdasan buatan."

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Sumber: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/