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/
- 1
- 10
- 11
- 3d
- a
- zdolność
- Osiągać
- nabyty
- nabycie
- przejęcia
- dodatek
- AI
- algorytm
- Algorytmy
- analizować
- analiza
- i
- Inne
- zjawić się
- aplikacje
- w przybliżeniu
- obszary
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja (AI)
- zwiększona
- zautomatyzowane
- BEST
- Ulepsz Swój
- pomiędzy
- Pożyczanie
- Dolny
- Mózg
- wybudowany
- nazywa
- nie może
- który
- Etui
- centralny
- wyzwanie
- zmiana
- klasyfikacja
- Kliniczne
- CNN
- połączenie
- komentarz
- Składa się
- stały
- stale
- kontrast
- Korelacja
- Odpowiedni
- mógłby
- tworzy
- krytyczny
- Aktualny
- Obecnie
- dane
- sprawa
- Pochodny
- zaprojektowany
- Wykrywanie
- rozwijać
- rozwinięty
- oprogramowania
- różne
- choroby
- Krople
- Zespół redakcyjny
- faktycznie
- umożliwiać
- umożliwiając
- Parzyste
- ekscytujący
- Przede wszystkim system został opracowany
- Objaśnia
- pole
- finał
- znaleziono
- od
- Ogólne
- wygenerowane
- generuje
- Go
- cel
- Wykorzystywanie
- harvard
- zdrowy
- Wysoki
- wysoka rozdzielczość
- wysoko
- HTTPS
- pomysły
- obraz
- zdjęcia
- Obrazowanie
- podnieść
- poprawy
- in
- Zwiększać
- Informacja
- wkład
- Inteligencja
- zainteresowany
- problem
- IT
- znany
- większe
- nauka
- Popatrz
- wygląda jak
- niski
- maszyna
- uczenie maszynowe
- Główny
- Większość
- robić
- wiele
- massachusetts
- Maksymalna szerokość
- Pomiary
- medyczny
- metoda
- metody
- model
- jeszcze
- większość
- przeniesienie
- mr
- MRI
- wielokrotność
- Stwardnienie rozsiane
- Potrzebować
- sieć
- sieci
- sieci neuronowe
- sieci neuronowe
- NIH
- uzyskane
- koncepcja
- zamówienie
- oryginalny
- Przezwyciężać
- Uczestnicy
- szczególnie
- pacjent
- pacjenci
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- plato
- Analiza danych Platona
- PlatoDane
- punkt
- zwrotnica
- populacje
- potencjał
- potencjalnie
- przewidzieć
- poprzedni
- Główny
- Problem
- Wytworzony
- pod warunkiem,
- jakość
- ilościowy
- zasięg
- szybki
- szybko
- RZADKO SPOTYKANY
- stosunek
- Rejestracja
- raport
- Zgłoszone
- wymagać
- wymagania
- Badania naukowe
- Badacze
- Rozkład
- wynikły
- ryzykowny
- ROI
- RZĄD
- skanować
- Szkoła
- segmentacja
- zestaw
- Shape
- Rozmiar
- mały
- mniejszy
- So
- Tworzenie
- kilka
- Przestrzenne
- jest determinacja.
- badania naukowe
- Badanie
- Z powodzeniem
- taki
- apartament
- objawy
- syntetyczny
- systemy
- zespół
- Techniczny
- mówi
- test
- Połączenia
- ich
- trzy
- miniatur
- czasy
- do
- także
- narzędzia
- Top
- Toronto
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- Transformacja
- prawdziwy
- zazwyczaj
- niedostatecznie reprezentowany
- zaniżone
- posługiwać się
- Naprawiono
- sprzedawców
- kłęby
- Woksel
- Woksele
- Podczas
- KIM
- szeroki
- Szeroki zasięg
- pracujący
- działa
- by
- napisać
- X
- rok
- You
- zefirnet