기계 학습이 XNUMX분 뇌 MRI 스캔을 제공할 수 있습니까? PlatoBlockchain 데이터 인텔리전스. 수직 검색. 일체 포함.

기계 학습이 XNUMX분 뇌 MRI 스캔을 제공할 수 있습니까?

타임 스탬프 : 31 년 2022 월 5 일 오전 00시 XNUMX 분

© AuntMinnieEurope.com
© AuntMinnieEurope.com

최근 국제 자기 공명 의학 학회(International Society for Magnetic Resonance in Medicine)에서 발표된 강연에 따르면 기계 학습을 포함한 몇 가지 개선 사항을 통해 MR 지문이라는 정량적 기술이 XNUMX분짜리 임상 뇌 MRI 스캔을 현실로 만들 수 있다고 합니다.ISMRM) 런던에서 회의.

Stanford University의 연구원들은 약 XNUMX분의 스캔 시간과 XNUMX분의 짧은 재구성 시간이 필요한 정량 및 다중 대비 이미징을 위한 MR 지문 수집 및 재구성 프레임워크를 개발했습니다.

이미지 합성을 위한 기계 학습 알고리즘의 도움으로 이 방법은 1mm 등방성 해상도에서 일반적인 임상 대조를 가진 고품질 이미지 1개와 정량적 T2, TXNUMX 및 양성자 밀도 맵을 제공할 수 있다고 발표자에 따르면 소피 샤우만 동료들.

XNUMXD덴탈의 ISMRM 회의 의학 및 생물학의 자기 공명에 대한 유럽 학회 및 국제 MR 방사선 촬영 기사 및 기술자 학회와 함께 개최되었습니다.

개선의 여지

MRI 속도를 높일 여지가 분명히 있습니다. Schauman에 따르면 기존 MRI는 k-공간 데이터에서 작동하므로 표준 병렬 이미징 방법을 사용하여 빠르게 재구성할 수 있습니다.

그러나 "스캔 시간이 길고 이를 극복하기 위해 두꺼운 조각을 얻는 경우가 많습니다."라고 그녀는 말했습니다. “대부분의 임상 MRI 스캔은 T1 또는 T2 가중치입니다. 따라서 이미지 대비는 양적이 아니라 질적입니다.”

googletag.cmd.push (function () {googletag.display ( 'div-gpt-ad-3759129-1');});

현대의 고도로 언더샘플링된 획득 방법은 스캔 시간을 크게 단축할 뿐만 아니라 조직 특성을 정량적 방식으로 인코딩할 수 있습니다. 그러나 Schauman에 따르면 이러한 더 빠른 획득 시간은 종종 더 긴 재건 시간을 희생하여 이러한 기술을 임상 환경에서 비실용적으로 만듭니다.

"현대 MRI를 임상적으로 유용한 도구로 변환하려면 빠른 획득이 필요하고 더 빠른 재구성이 필요하며 임상의에게 유용한 조영제와 사용할 수 있는 정량적 영상을 모두 획득할 수 있는 유연성이 필요합니다. , 종단 연구에서 "라고 그녀는 말했습니다.

MR 지문

연구원들은 이 목표를 추구하기 위해 MR 지문 채취로 눈을 돌렸습니다. MRI 핑거프린팅은 단일 데이터 수집으로 여러 조직 특성을 동시에 측정할 수 있는 정량적 기술입니다.

그들의 프로젝트에서 스탠포드 연구원들은 작은 황금각 셔플 다축 나선형 투영 MR 지문 시퀀스를 사용했습니다. 이 방법은 전체 뇌에 대해 1mm 등방성 분해능을 생성하지만, 재구성 시간이 XNUMX시간 이상 필요하기 때문에 현재 사용할 수 없습니다.

MR 핑거프린팅을 임상 환경에서 훨씬 더 유망한 방법으로 만들기 위한 노력의 일환으로 연구자들은 빠른 재구성 방법을 통합하려고 했습니다. 그들은 수행하는 데 약 XNUMX분이 소요되는 부분 공간 재구성 기술을 사용했으며 일반적으로 사용되는 XNUMX개 대신 XNUMX개의 부분 공간 구성 요소와 XNUMX개의 코일을 포함합니다.

MR 지문 수집 및 재구성
속도 향상: 기존 조영제를 획득하는 데 필요한 시간(약 6분)과 비교하여 약 1분(이 중 환자는 28분 동안 가만히 있어야 함)이 소요되는 MR 지문 수집 및 재구성 프로토콜을 분석하는 타임라인. 이미지는 제안된 방법(행 1), 훨씬 느린 재구성(행 2), 간단한 모델 기반 합성(행 3) 및 참조 스캔(행 4)을 사용하여 테스트 대상에서 XNUMX개의 합성된 대조를 보여줍니다. (제공: Sophie Schauman 및 ISMRM)

그런 다음 연구원들은 기계 학습 기반 합성을 사용하여 스캔 품질과 속도를 더욱 개선했습니다. 알고리즘을 훈련하기 위해 그들은 14명의 건강한 지원자로부터 제공된 데이터를 사용했습니다. 14명의 피험자 중 10명은 훈련에, XNUMX명은 검증에, XNUMX명은 이전에 제안된 생성적 적대 네트워크인 모델 테스트에 사용되었습니다.

Schauman은 "클리닉에서 파이프라인의 견고성을 향상시키기 위해 30초의 대형 시야 사전 스캔이 포함되었습니다. "향후 작업에서 우리는 B0 및 B1 추정을 위해 사전 스캔을 사용할 계획이지만 지금은 [ROVir(영역 최적화 가상(ROVir) 코일)'이라는 방법을 사용하여 시야 외부의 신호를 억제하기 위해 코일 압축을 최적화하는 데 사용합니다. ] 또한 데이터에 자동으로 시프트를 적용하여 뇌가 시야의 중심에 놓이도록 합니다.”

Schauman은 XNUMX시간이 소요되는 기존 기술을 사용하여 재구성한 이미지와 비교하여 빠른 재구성 방법이 더 많은 언더샘플링 인공물, 더 흐릿함 및 더 많은 노이즈를 가지고 있다고 말했습니다.

"그러나 이 정보가 합성 네트워크에서 복구될 수 있다면 이 모든 것이 전혀 중요하지 않습니다."라고 그녀는 말했습니다.

두 실험 대상에서 합성된 T1-가중 자화-준비 급속 획득 기울기-에코(MP-RAGE), T2-가중, T2 유체 감쇠 역전 회복(FLAIR) 및 이중 역전 회복(DIR) 이미지는 슬라이스 방향으로 매우 유사했습니다. 참조 재구성 기술에서 생성된 합성 이미지와 비교한 구조적 유사성 지수.

Schauman은 "이 프로젝트의 미래 방향에는 반지도 방법을 사용하여 훈련 데이터 세트에 환자를 포함하고 시야에서 환자 위치에 관한 파이프라인의 견고성을 개선하는 것을 목표로 지속적인 임상 데이터 수집이 포함됩니다."라고 Schauman이 말했습니다. "우리는 또한 정량적 이미징 보정을 위해 더 빠른 B0 및 B1 맵을 획득하여 시간/품질 균형을 더욱 최적화하는 것을 목표로 합니다."

  • 이 기사는 원래에 게시되었습니다. 이모MinnieEurope.com 에 의해 © 2022 이모MinnieEurope.com. 의 복사, 재배포 또는 재배포 이모MinnieEurope.com 의 사전 서면 동의 없이는 콘텐츠가 명시적으로 금지됩니다. MinnieEurope.com 이모.

포스트 기계 학습이 XNUMX분 뇌 MRI 스캔을 제공할 수 있습니까? 첫 번째 등장 물리 세계.

타임 스탬프 :

더보기 물리 세계