L'intelligenza artificiale crea immagini cerebrali ad alta risoluzione da scansioni MR a bassa intensità di campo

I sistemi MRI portatili a bassa intensità di campo hanno il potenziale per trasformare il neuroimaging, a condizione che la loro bassa risoluzione spaziale e il basso rapporto segnale-rumore (SNR) possano essere superati. Ricercatori a Harvard Medical School stanno sfruttando l'intelligenza artificiale (AI) per raggiungere questo obiettivo. Hanno sviluppato un algoritmo di super-risoluzione di apprendimento automatico che genera immagini sintetiche ad alta risoluzione spaziale da scansioni MRI cerebrali a bassa risoluzione.

L'algoritmo della rete neurale convoluzionale (CNN), noto come LF-SynthSR, converte le sequenze di risonanza magnetica cerebrale pesate in T0.064 e T1 a bassa intensità di campo (2 T) in immagini isotrope con una risoluzione spaziale di 1 mm e l'aspetto di una magnetizzazione pesata in T1 - acquisizione Rapid Gradient-echo (MP-RAGE) preparata. Descrivendo il loro studio proof-of-concept in Radiologia, i ricercatori riferiscono che le immagini sintetiche hanno mostrato un'elevata correlazione con le immagini acquisite dagli scanner MRI da 1.5 T e 3.0 T.

La morfometria, l'analisi quantitativa delle dimensioni e della forma delle strutture in un'immagine, è fondamentale per molti studi di neuroimaging. Sfortunatamente, la maggior parte degli strumenti di analisi MRI sono progettati per acquisizioni quasi isotropiche ad alta risoluzione e in genere richiedono immagini pesate in T1 come MP-RAGE. Le loro prestazioni spesso diminuiscono rapidamente con l'aumentare delle dimensioni dei voxel e dell'anisotropia. Poiché la stragrande maggioranza delle scansioni MRI cliniche esistenti è altamente anisotropica, non possono essere analizzate in modo affidabile con gli strumenti esistenti.

"Ogni anno vengono prodotte milioni di immagini RM cerebrali a bassa risoluzione, ma attualmente non possono essere analizzate con software di neuroimaging", spiega il ricercatore principale Juan Eugenio Iglesias. “L'obiettivo principale della mia attuale ricerca è sviluppare algoritmi che rendano le immagini RM cerebrali a bassa risoluzione simili alle scansioni MRI ad alta risoluzione che utilizziamo nella ricerca. Sono particolarmente interessato a due applicazioni: consentire l'analisi 3D automatizzata delle scansioni cliniche e l'utilizzo con scanner MRI portatili a basso campo".

Formazione e test

LF-SynthSR si basa su SynthSR, un metodo sviluppato dal team per addestrare una CNN a prevedere scansioni isotropiche MP-RAGE con risoluzione di 1 mm da scansioni RM cliniche di routine. Risultati precedenti riportati in NeuroImage ha dimostrato che le immagini generate da SynthSR potrebbero essere utilizzate in modo affidabile per la segmentazione e la volumetria sottocorticale, la registrazione delle immagini e, se vengono soddisfatti alcuni requisiti di qualità, anche la morfometria dello spessore corticale.

Sia LF-SynthSR che SynthSR sono addestrati su immagini di input sintetiche di aspetto molto variabile generate da segmentazioni 3D e possono quindi essere utilizzate per addestrare CNN per qualsiasi combinazione di contrasto, risoluzione e orientamento.

Iglesias sottolinea che le reti neurali funzionano meglio quando i dati appaiono approssimativamente costanti, ma ogni ospedale utilizza scanner di fornitori diversi che sono configurati in modo diverso, risultando in scansioni altamente eterogenee. “Per affrontare questo problema, stiamo prendendo in prestito idee da un campo dell'apprendimento automatico chiamato 'domain randomization', in cui si addestrano reti neurali con immagini sintetiche che vengono simulate per cambiare costantemente aspetto e risoluzione, al fine di ottenere reti addestrate che sono agnostiche l'aspetto delle immagini di input", spiega.

Per valutare le prestazioni di LF-SynthSR, i ricercatori hanno correlato le misurazioni della morfologia del cervello tra le risonanze magnetiche sintetiche e le immagini di intensità di campo elevato. Per l'addestramento, hanno utilizzato un set di dati MRI ad alta intensità di campo di scansioni MP-RAGE isotropiche da 1 mm di 20 soggetti. Hanno anche utilizzato le segmentazioni corrispondenti di 36 regioni di interesse (ROI) cerebrali e tre ROI extracerebrali. Il training set è stato anche potenziato artificialmente per modellare meglio il tessuto patologico come l'ictus o l'emorragia.

Il set di test comprendeva i dati di imaging di 24 partecipanti con sintomi neurologici che avevano una scansione a bassa intensità di campo (0.064 T) oltre a una risonanza magnetica standard ad alta intensità di campo (1.5-3 T). L'algoritmo ha generato con successo immagini MP-RAGE sintetiche isotropiche da 1 mm dalle risonanze magnetiche cerebrali a bassa intensità di campo, con voxel più di 10 volte più piccoli rispetto ai dati originali. La segmentazione automatizzata delle immagini sintetiche da un campione finale di 11 partecipanti ha prodotto volumi di ROI altamente correlati con quelli derivati ​​dalle scansioni MR ad alta intensità di campo.

"LF-SynthSR può migliorare la qualità dell'immagine delle scansioni MRI a bassa intensità di campo al punto che sono utilizzabili non solo con metodi di segmentazione automatizzati, ma potenzialmente anche con algoritmi di registrazione e classificazione", scrivono i ricercatori. "Potrebbe anche essere usato per aumentare il rilevamento di lesioni anomale".

Questa capacità di analizzare la risonanza magnetica cerebrale a bassa risoluzione utilizzando la morfometria automatizzata consentirebbe lo studio di malattie rare e popolazioni che sono sottorappresentate nell'attuale ricerca di neuroimaging. Inoltre, il miglioramento della qualità delle immagini degli scanner MRI portatili migliorerebbe il loro utilizzo in aree sottoservite dal punto di vista medico, nonché in terapia intensiva, dove il trasferimento dei pazienti in una sala MRI è spesso troppo rischioso.

La risonanza magnetica portatile diagnostica l'ictus al letto del paziente

Iglesias afferma che un'altra sfida è l'ampia gamma di anomalie riscontrate nelle scansioni cliniche che devono essere gestite dalla CNN. "Attualmente, SynthSR funziona bene con cervelli sani, casi con atrofia e anomalie minori come piccole lesioni da sclerosi multipla o piccoli ictus", dice Mondo della fisica. “Attualmente stiamo lavorando per migliorare il metodo in modo che possa trattare efficacemente lesioni più grandi, come ictus o tumori più grandi”.

Scrivendo in un editoriale di accompagnamento in Radiologia, Birgit Ertl-Wagner ed Mattia Wagner dal Ospedale per bambini malati a Toronto commento: "Questo entusiasmante studio di sviluppo tecnico dimostra il potenziale per ridurre l'intensità del campo e puntare in alto per la risoluzione spaziale e di contrasto utilizzando l'intelligenza artificiale".

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/