AI lager høyoppløselige hjernebilder fra MR-skanninger med lav feltstyrke

Bærbare MR-systemer med lav feltstyrke har potensialet til å transformere nevroimaging - forutsatt at deres lave romlige oppløsning og lave signal-til-støy-forhold (SNR) kan overvinnes. Forskere ved Harvard Medical School bruker kunstig intelligens (AI) for å nå dette målet. De har utviklet en maskinlærings-superoppløsningsalgoritme som genererer syntetiske bilder med høy romlig oppløsning fra hjerne-MR-skanninger med lavere oppløsning.

Algoritmen for konvolusjonelt nevrale nettverk (CNN), kjent som LF-SynthSR, konverterer lavfeltstyrke (0.064 T) T1- og T2-vektede hjerne-MR-sekvenser til isotrope bilder med 1 mm romlig oppløsning og utseendet til en T1-vektet magnetisering -forberedt rask gradient-ekko (MP-RAGE) oppkjøp. Beskriver deres proof-of-concept-studie i Radiologi, rapporterer forskerne at de syntetiske bildene viste høy korrelasjon med bilder tatt av 1.5 T og 3.0 T MR-skannere.

Morfometri, den kvantitative størrelsen og formanalysen av strukturer i et bilde, er sentral i mange nevroavbildningsstudier. Dessverre er de fleste MR-analyseverktøy designet for nær-isotropiske, høyoppløselige innsamlinger og krever vanligvis T1-vektede bilder som MP-RAGE. Ytelsen deres synker ofte raskt når voxelstørrelsen og anisotropien øker. Siden det store flertallet av eksisterende kliniske MR-skanninger er svært anisotrope, kan de ikke analyseres pålitelig med eksisterende verktøy.

"Millioner av lavoppløselige hjerne-MR-bilder produseres hvert år, men kan foreløpig ikke analyseres med nevroavbildningsprogramvare," forklarer hovedetterforsker Juan Eugenio Iglesias. "Hovedmålet med min nåværende forskning er å utvikle algoritmer som får lavoppløselige MR-bilder fra hjernen til å se ut som de høyoppløselige MR-skanningene vi bruker i forskning. Jeg er spesielt interessert i to applikasjoner: muliggjør automatisert 3D-analyse av de kliniske skanningene og bruk med bærbare, lavfelts MR-skannere."

Trening og testing

LF-SynthSR er bygget på SynthSR, en metode utviklet av teamet for å trene en CNN til å forutsi 1 mm-oppløsning MP-RAGE isotropiske skanninger fra rutinemessige kliniske MR-skanninger. Tidligere funn rapportert i NeuroImage viste at SynthSR-genererte bilder pålitelig kunne brukes til subkortikal segmentering og volumetri, bilderegistrering og, hvis noen kvalitetskrav er oppfylt, til og med kortikal tykkelsesmorfometri.

Både LF-SynthSR og SynthSR er trent på syntetiske inngangsbilder med svært varierende utseende generert fra 3D-segmenteringer, og kan dermed brukes til å trene CNN-er for enhver kombinasjon av kontrast, oppløsning og orientering.

Iglesias påpeker at nevrale nettverk fungerer best når data virker tilnærmet konstante, men hvert sykehus bruker skannere fra forskjellige leverandører som er konfigurert annerledes, noe som resulterer i svært heterogene skanninger. «For å takle dette problemet, låner vi ideer fra et felt innen maskinlæring kalt 'domenerandomisering', hvor du trener nevrale nettverk med syntetiske bilder som simuleres for å konstant endre utseende og oppløsning, for å oppnå trente nettverk som er agnostiske overfor utseendet til inngangsbildene,” forklarer han.

For å vurdere ytelsen til LF-SynthSR, korrelerte forskerne hjernemorfologimålinger mellom syntetiske MR-er og jordsannhetsbilder med høy feltstyrke. Til trening brukte de et MR-datasett med høy feltstyrke med 1 mm isotropiske MP-RAGE-skanninger fra 20 forsøkspersoner. De brukte også tilsvarende segmenteringer av 36 hjerneregioner av interesse (ROI) og tre ekstracerebrale ROIer. Treningssettet ble også kunstig utvidet for å bedre modellere patologisk vev som slag eller blødning.

Testsettet besto av bildedata fra 24 deltakere med nevrologiske symptomer som hadde en lavfeltstyrke (0.064 T) skanning i tillegg til en standard-of-care høyfeltstyrke (1.5–3 T) MR. Algoritmen genererte vellykket 1 mm isotropiske syntetiske MP-RAGE-bilder fra hjerne-MR-er med lav feltstyrke, med voksler mer enn 10 ganger mindre enn i de originale dataene. Automatisert segmentering av de syntetiske bildene fra en endelig prøve på 11 deltakere ga ROI-volumer som var sterkt korrelert med de som ble hentet fra MR-skanningene med høy feltstyrke.

"LF-SynthSR kan forbedre bildekvaliteten til MR-skanninger med lav feltstyrke til det punktet at de ikke bare kan brukes av automatiserte segmenteringsmetoder, men potensielt også med registrerings- og klassifiseringsalgoritmer," skriver forskerne. "Det kan også brukes til å øke oppdagelsen av unormale lesjoner."

Denne evnen til å analysere hjerne-MR-er med lav oppløsning ved hjelp av automatisert morfometri ville muliggjøre studiet av sjeldne sykdommer og populasjoner som er underrepresentert i dagens nevroimaging-forskning. I tillegg vil forbedring av kvaliteten på bilder fra bærbare MR-skannere forbedre bruken av dem i medisinsk underbetjente områder, så vel som i kritisk pleie, der det ofte er for risikabelt å flytte pasienter til en MR-suite.

Bærbar MR diagnostiserer hjerneslag ved pasientens seng

Iglesias sier at en annen utfordring er det store spekteret av abnormiteter funnet i kliniske skanninger som må håndteres av CNN. "For tiden fungerer SynthSR bra med sunne hjerner, tilfeller med atrofi og mindre abnormiteter som små multippel skleroselesjoner eller små slag," forteller han Fysikkens verden. "Vi jobber for tiden med å forbedre metoden slik at den effektivt kan håndtere større lesjoner, som større slag eller svulster."

Skriver i en medfølgende redaksjon i Radiologi, Birgit Ertl-Wagner og Mattias Wagner fra Sykehus for syke barn i Toronto kommentar: "Denne spennende tekniske utviklingsstudien demonstrerer potensialet til å gå lavt på feltstyrke og sikte høyt for romlig og kontrastoppløsning ved bruk av kunstig intelligens."

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/