AI maakt hersenbeelden met een hoge resolutie van MR-scans met een lage veldsterkte

Draagbare MRI-systemen met lage veldsterkte hebben het potentieel om neuroimaging te transformeren, op voorwaarde dat hun lage ruimtelijke resolutie en lage signaal-ruisverhouding (SNR) kunnen worden overwonnen. Onderzoekers bij Harvard Medical School zetten kunstmatige intelligentie (AI) in om dit doel te bereiken. Ze hebben een superresolutie-algoritme voor machinaal leren ontwikkeld dat synthetische beelden met een hoge ruimtelijke resolutie genereert uit hersen-MRI-scans met een lagere resolutie.

Het convolutional neural network (CNN)-algoritme, bekend als LF-SynthSR, converteert T0.064- en T1-gewogen hersen-MRI-sequenties met een lage veldsterkte (2 T) in isotrope beelden met een ruimtelijke resolutie van 1 mm en het uiterlijk van een T1-gewogen magnetisatie -voorbereide snelle gradiënt-echo (MP-RAGE) acquisitie. Het beschrijven van hun proof-of-concept studie in Radiologie, melden de onderzoekers dat de synthetische beelden een hoge correlatie vertoonden met beelden verkregen door 1.5 T en 3.0 T MRI-scanners.

Morfometrie, de kwantitatieve grootte- en vormanalyse van structuren in een afbeelding, staat centraal in veel neuroimaging-onderzoeken. Helaas zijn de meeste MRI-analysetools ontworpen voor bijna-isotrope acquisities met hoge resolutie en vereisen doorgaans T1-gewogen beelden zoals MP-RAGE. Hun prestaties nemen vaak snel af naarmate de voxelgrootte en anisotropie toenemen. Aangezien de overgrote meerderheid van de bestaande klinische MRI-scans zeer anisotroop is, kunnen ze niet op betrouwbare wijze worden geanalyseerd met bestaande hulpmiddelen.

"Miljoenen MR-beelden met een lage resolutie worden elk jaar geproduceerd, maar kunnen momenteel niet worden geanalyseerd met neuroimaging-software", legt hoofdonderzoeker uit Juan Eugenio Iglesias. “Het belangrijkste doel van mijn huidige onderzoek is om algoritmen te ontwikkelen die MR-beelden van de hersenen met een lage resolutie laten lijken op de MRI-scans met hoge resolutie die we in onderzoek gebruiken. Ik ben met name geïnteresseerd in twee toepassingen: het mogelijk maken van geautomatiseerde 3D-analyse van de klinische scans en het gebruik met draagbare low-field MRI-scanners.”

Trainen en testen

LF-SynthSR is gebaseerd op SynthSR, een methode die door het team is ontwikkeld om een ​​CNN te trainen om MP-RAGE isotrope scans met een resolutie van 1 mm te voorspellen op basis van routinematige klinische MR-scans. Eerdere bevindingen gerapporteerd in NeuroImage toonde aan dat door SynthSR gegenereerde beelden betrouwbaar kunnen worden gebruikt voor subcorticale segmentatie en volumetrie, beeldregistratie en, als aan bepaalde kwaliteitseisen wordt voldaan, zelfs corticale diktemorfometrie.

Zowel LF-SynthSR als SynthSR worden getraind op synthetische invoerbeelden met een sterk variërend uiterlijk, gegenereerd op basis van 3D-segmentaties, en kunnen dus worden gebruikt om CNN's te trainen voor elke combinatie van contrast, resolutie en oriëntatie.

Iglesias wijst erop dat neurale netwerken het beste presteren wanneer gegevens ongeveer constant lijken, maar elk ziekenhuis gebruikt scanners van verschillende leveranciers die anders zijn geconfigureerd, wat resulteert in zeer heterogene scans. "Om dit probleem aan te pakken, lenen we ideeën uit een gebied van machine learning genaamd 'domain randomization', waar je neurale netwerken traint met synthetische beelden die worden gesimuleerd om constant van uiterlijk en resolutie te veranderen, om getrainde netwerken te verkrijgen die agnostisch zijn voor het uiterlijk van de ingevoerde beelden”, legt hij uit.

Om de prestaties van LF-SynthSR te beoordelen, correleerden de onderzoekers hersenmorfologiemetingen tussen synthetische MRI's en grondgetrouwe beelden met hoge veldsterkte. Voor training gebruikten ze een MRI-dataset met hoge veldsterkte van 1 mm isotrope MP-RAGE-scans van 20 proefpersonen. Ze gebruikten ook overeenkomstige segmentaties van 36 hersenregio's (ROI's) en drie extracerebrale ROI's. De trainingsset werd ook kunstmatig aangevuld om pathologisch weefsel zoals een beroerte of bloeding beter te modelleren.

De testset bestond uit beeldgegevens van 24 deelnemers met neurologische symptomen die een scan met lage veldsterkte (0.064 T) hadden naast een standaard MRI met hoge veldsterkte (1.5–3 T). Het algoritme genereerde met succes isotrope synthetische MP-RAGE-beelden van 1 mm van de hersen-MRI's met lage veldsterkte, met voxels die meer dan 10 keer kleiner waren dan in de oorspronkelijke gegevens. Geautomatiseerde segmentatie van de synthetische beelden van een uiteindelijke steekproef van 11 deelnemers leverde ROI-volumes op die sterk gecorreleerd waren met die afgeleid van de MR-scans met hoge veldsterkte.

"LF-SynthSR kan de beeldkwaliteit van MRI-scans met een lage veldsterkte zodanig verbeteren dat ze niet alleen bruikbaar zijn door geautomatiseerde segmentatiemethoden, maar mogelijk ook met registratie- en classificatie-algoritmen", schrijven de onderzoekers. "Het kan ook worden gebruikt om de detectie van abnormale laesies te vergroten."

Dit vermogen om hersen-MRI's met een lage resolutie te analyseren met behulp van geautomatiseerde morfometrie, zou de studie mogelijk maken van zeldzame ziekten en populaties die ondervertegenwoordigd zijn in het huidige neuroimaging-onderzoek. Bovendien zou het verbeteren van de kwaliteit van beelden van draagbare MRI-scanners het gebruik ervan in medisch achtergestelde gebieden verbeteren, evenals in kritieke zorg, waar het verplaatsen van patiënten naar een MRI-suite vaak te riskant is.

Draagbare MRI diagnosticeert beroerte aan het bed van de patiënt

Iglesias zegt dat een andere uitdaging het brede scala aan afwijkingen is die worden aangetroffen in klinische scans die door CNN moeten worden afgehandeld. "Momenteel werkt SynthSR goed met gezonde hersenen, gevallen met atrofie en kleinere afwijkingen zoals kleine multiple sclerose-laesies of kleine beroertes", vertelt hij. Natuurkunde wereld. "We werken momenteel aan het verbeteren van de methode, zodat deze effectief kan omgaan met grotere laesies, zoals grotere beroertes of tumoren."

Schrijven in een begeleidend redactioneel commentaar in Radiologie, Birgit Ertl-Wagner en Matthijs Wagner van het Ziekenhuis voor zieke kinderen in Toronto commentaar: "Deze opwindende technische ontwikkelingsstudie toont het potentieel om laag te gaan op veldsterkte en hoog te mikken op ruimtelijke en contrastresolutie met behulp van kunstmatige intelligentie."

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/