Sztuczna inteligencja tworzy obrazy mózgu o wysokiej rozdzielczości na podstawie skanów MR o niskim natężeniu pola

Przenośne systemy MRI o niskim natężeniu pola mają potencjał do zmiany neuroobrazowania – pod warunkiem, że można przezwyciężyć ich niską rozdzielczość przestrzenną i niski stosunek sygnału do szumu (SNR). Naukowcy z Harvard Medical School wykorzystują sztuczną inteligencję (AI), aby osiągnąć ten cel. Opracowali algorytm super-rozdzielczości uczenia maszynowego, który generuje syntetyczne obrazy o wysokiej rozdzielczości przestrzennej ze skanów MRI mózgu o niższej rozdzielczości.

Algorytm konwolucyjnej sieci neuronowej (CNN), znany jako LF-SynthSR, przekształca sekwencje rezonansu magnetycznego mózgu T0.064 i T1 ważone niskim natężeniem pola (2 T) w obrazy izotropowe z rozdzielczością przestrzenną 1 mm i pojawieniem się namagnesowania zależnego od T1 -przygotowana akwizycja szybkiego echa gradientowego (MP-RAGE). Opisując ich badanie potwierdzające słuszność koncepcji w Radiologia, naukowcy donoszą, że obrazy syntetyczne wykazywały wysoką korelację z obrazami uzyskanymi za pomocą skanerów MRI 1.5 T i 3.0 T.

Morfometria, ilościowa analiza wielkości i kształtu struktur na obrazie, ma kluczowe znaczenie dla wielu badań neuroobrazowania. Niestety, większość narzędzi do analizy MRI jest przeznaczona do akwizycji w pobliżu izotropii o wysokiej rozdzielczości i zazwyczaj wymaga obrazów T1-zależnych, takich jak MP-RAGE. Ich wydajność często gwałtownie spada wraz ze wzrostem wielkości wokseli i anizotropii. Ponieważ zdecydowana większość istniejących klinicznych skanów MRI jest wysoce anizotropowa, nie można ich wiarygodnie analizować za pomocą istniejących narzędzi.

„Każdego roku powstają miliony obrazów MR mózgu o niskiej rozdzielczości, ale obecnie nie można ich analizować za pomocą oprogramowania do neuroobrazowania” — wyjaśnia główny badacz Juana Eugenio Iglesiasa. „Głównym celem moich obecnych badań jest opracowanie algorytmów, które sprawią, że obrazy MR mózgu o niskiej rozdzielczości będą wyglądać jak skany MRI o wysokiej rozdzielczości, których używamy w badaniach. Szczególnie interesują mnie dwie aplikacje: umożliwiająca zautomatyzowaną analizę 3D skanów klinicznych oraz użycie z przenośnymi skanerami MRI o niskim polu”.

Szkolenia i testy

LF-SynthSR opiera się na SynthSR, metodzie opracowanej przez zespół w celu szkolenia CNN w przewidywaniu skanów izotropowych MP-RAGE o rozdzielczości 1 mm na podstawie rutynowych klinicznych skanów MR. Poprzednie ustalenia zgłoszone w NeuroImage wykazało, że obrazy generowane przez SynthSR mogą być niezawodnie wykorzystywane do segmentacji i wolumetrii podkorowej, rejestracji obrazu, a nawet, jeśli spełnione są pewne wymagania jakościowe, nawet do morfometrii grubości korowej.

Zarówno LF-SynthSR, jak i SynthSR są szkolone na syntetycznych obrazach wejściowych o bardzo różnym wyglądzie generowanych z segmentacji 3D, a zatem mogą być używane do szkolenia CNN pod kątem dowolnej kombinacji kontrastu, rozdzielczości i orientacji.

Iglesias zwraca uwagę, że sieci neuronowe działają najlepiej, gdy dane wydają się w przybliżeniu stałe, ale każdy szpital korzysta ze skanerów różnych dostawców, które są inaczej skonfigurowane, co skutkuje wysoce heterogenicznymi skanami. „Aby rozwiązać ten problem, zapożyczamy pomysły z dziedziny uczenia maszynowego zwanej„ randomizacją domen ”, w której trenujesz sieci neuronowe za pomocą syntetycznych obrazów, które są symulowane w celu ciągłej zmiany wyglądu i rozdzielczości, w celu uzyskania wyszkolonych sieci, które są niezależne od wygląd obrazów wejściowych” — wyjaśnia.

Aby ocenić wydajność LF-SynthSR, naukowcy skorelowali pomiary morfologii mózgu między syntetycznymi rezonansami magnetycznymi a obrazami o wysokiej sile pola rzeczywistego. Do szkolenia wykorzystali zestaw danych MRI o wysokim natężeniu pola, zawierający 1-milimetrowe izotropowe skany MP-RAGE od 20 osób. Wykorzystali również odpowiednie segmentacje 36 obszarów zainteresowania mózgu (ROI) i trzech obszarów pozamózgowych ROI. Zestaw treningowy został również sztucznie powiększony, aby lepiej modelować patologiczną tkankę, taką jak udar lub krwotok.

Zestaw testowy obejmował dane obrazowe od 24 uczestników z objawami neurologicznymi, u których wykonano skan o niskim natężeniu pola (0.064 T) oprócz standardowego MRI o wysokim natężeniu pola (1.5–3 T). Algorytm z powodzeniem wygenerował 1-milimetrowe izotropowe syntetyczne obrazy MP-RAGE z rezonansu magnetycznego mózgu o niskim natężeniu pola, z wokselami ponad 10 razy mniejszymi niż w oryginalnych danych. Zautomatyzowana segmentacja syntetycznych obrazów z końcowej próby 11 uczestników dała objętości ROI, które były silnie skorelowane z tymi uzyskanymi ze skanów MR o dużym natężeniu pola.

„LF-SynthSR może poprawić jakość obrazu skanów MRI o niskim natężeniu pola do tego stopnia, że ​​można ich używać nie tylko za pomocą zautomatyzowanych metod segmentacji, ale potencjalnie także za pomocą algorytmów rejestracji i klasyfikacji” – piszą naukowcy. „Można go również wykorzystać do zwiększenia wykrywania nieprawidłowych zmian”.

Ta zdolność do analizowania MRI mózgu o niskiej rozdzielczości przy użyciu zautomatyzowanej morfometrii umożliwiłaby badanie rzadkich chorób i populacji, które są niedostatecznie reprezentowane w obecnych badaniach neuroobrazowania. Ponadto poprawa jakości obrazów z przenośnych skanerów MRI zwiększyłaby ich wykorzystanie w obszarach niedostatecznie obsługiwanych medycznie, a także w opiece krytycznej, gdzie przenoszenie pacjentów do gabinetu MRI jest często zbyt ryzykowne.

Przenośny rezonans magnetyczny diagnozuje udar przy łóżku pacjenta

Iglesias mówi, że kolejnym wyzwaniem jest szeroki zakres nieprawidłowości znalezionych w skanach klinicznych, którymi musi zająć się CNN. „Obecnie SynthSR działa dobrze w przypadku zdrowych mózgów, przypadków z atrofią i mniejszymi nieprawidłowościami, takimi jak małe zmiany w stwardnieniu rozsianym lub małe udary” — mówi. Świat Fizyki. „Obecnie pracujemy nad ulepszeniem tej metody, aby mogła skutecznie radzić sobie z większymi zmianami, takimi jak większe udary lub guzy”.

Pisząc w towarzyszącym artykule redakcyjnym w Radiologia, Birgit Ertl-Wagner i Macieja Wagnera z Szpital dla chorych dzieci w komentarzu z Toronto: „To ekscytujące badanie rozwoju technicznego pokazuje potencjał obniżenia natężenia pola i mierzenia wysoko w rozdzielczości przestrzennej i kontrastowej przy użyciu sztucznej inteligencji”.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Źródło: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/