A IA cria imagens cerebrais de alta resolução a partir de varreduras de RM de baixa intensidade de campo

Os sistemas portáteis de ressonância magnética de baixa intensidade de campo têm o potencial de transformar a neuroimagem, desde que sua baixa resolução espacial e baixa relação sinal-ruído (SNR) possam ser superadas. Pesquisadores em Harvard Medical School estão aproveitando a inteligência artificial (IA) para atingir esse objetivo. Eles desenvolveram um algoritmo de super-resolução de aprendizado de máquina que gera imagens sintéticas com alta resolução espacial a partir de ressonâncias magnéticas cerebrais de baixa resolução.

O algoritmo de rede neural convolucional (CNN), conhecido como LF-SynthSR, converte sequências de ressonância magnética cerebral ponderadas em T0.064 e T1 de baixa intensidade de campo (2 T) em imagens isotrópicas com resolução espacial de 1 mm e a aparência de uma magnetização ponderada em T1 aquisição de gradiente-eco rápido (MP-RAGE) preparada. Descrevendo seu estudo de prova de conceito em Radiologia, os pesquisadores relatam que as imagens sintéticas exibiram alta correlação com imagens adquiridas por scanners de ressonância magnética de 1.5 T e 3.0 T.

Morfometria, a análise quantitativa de tamanho e forma de estruturas em uma imagem, é fundamental para muitos estudos de neuroimagem. Infelizmente, a maioria das ferramentas de análise de ressonância magnética são projetadas para aquisições quase isotrópicas de alta resolução e normalmente requerem imagens ponderadas em T1, como MP-RAGE. Seu desempenho geralmente cai rapidamente à medida que o tamanho do voxel e a anisotropia aumentam. Como a grande maioria dos exames de ressonância magnética existentes são altamente anisotrópicos, eles não podem ser analisados ​​de forma confiável com as ferramentas existentes.

“Milhões de imagens de ressonância magnética cerebral de baixa resolução são produzidas todos os anos, mas atualmente não podem ser analisadas com software de neuroimagem”, explica o investigador principal Juan Eugênio Iglesias. “O principal objetivo da minha pesquisa atual é desenvolver algoritmos que façam imagens de ressonância magnética cerebral de baixa resolução se parecerem com as ressonâncias magnéticas de alta resolução que usamos em pesquisas. Estou particularmente interessado em duas aplicações: permitir a análise 3D automatizada dos exames clínicos e o uso com scanners de ressonância magnética portáteis de baixo campo.”

Treinamento e testes

O LF-SynthSR é baseado no SynthSR, um método desenvolvido pela equipe para treinar uma CNN para prever varreduras isotrópicas MP-RAGE de resolução de 1 mm a partir de varreduras clínicas de RM de rotina. Descobertas anteriores relatadas em NeuroImage mostraram que as imagens geradas pelo SynthSR podem ser usadas de forma confiável para segmentação e volumetria subcortical, registro de imagem e, se alguns requisitos de qualidade forem atendidos, até mesmo morfometria da espessura cortical.

Ambos LF-SynthSR e SynthSR são treinados em imagens de entrada sintéticas de aparência altamente variável geradas a partir de segmentações 3D e podem, portanto, ser usadas para treinar CNNs para qualquer combinação de contraste, resolução e orientação.

Iglesias aponta que as redes neurais funcionam melhor quando os dados parecem aproximadamente constantes, mas cada hospital usa scanners de diferentes fornecedores que são configurados de maneira diferente, resultando em varreduras altamente heterogêneas. “Para resolver esse problema, estamos pegando ideias de um campo de aprendizado de máquina chamado 'randomização de domínio', onde você treina redes neurais com imagens sintéticas que são simuladas para mudar constantemente de aparência e resolução, a fim de obter redes treinadas que são agnósticas para a aparência das imagens de entrada”, explica.

Para avaliar o desempenho do LF-SynthSR, os pesquisadores correlacionaram as medições da morfologia cerebral entre ressonâncias magnéticas sintéticas e imagens reais de alta intensidade de campo. Para o treinamento, eles usaram um conjunto de dados de ressonância magnética de alta intensidade de varreduras MP-RAGE isotrópicas de 1 mm de 20 indivíduos. Eles também usaram segmentações correspondentes de 36 regiões cerebrais de interesse (ROIs) e três ROIs extracerebrais. O conjunto de treinamento também foi aumentado artificialmente para modelar melhor o tecido patológico, como acidente vascular cerebral ou hemorragia.

O conjunto de teste compreendeu dados de imagem de 24 participantes com sintomas neurológicos que tiveram uma varredura de baixa intensidade de campo (0.064 T), além de uma ressonância magnética padrão de alta intensidade de campo (1.5–3 T). O algoritmo gerou com sucesso imagens MP-RAGE sintéticas isotrópicas de 1 mm a partir das ressonâncias magnéticas cerebrais de baixa intensidade de campo, com voxels mais de 10 vezes menores do que nos dados originais. A segmentação automatizada das imagens sintéticas de uma amostra final de 11 participantes produziu volumes de ROI altamente correlacionados com aqueles derivados das varreduras de RM de alta intensidade de campo.

“O LF-SynthSR pode melhorar a qualidade da imagem de exames de ressonância magnética de baixa intensidade de campo a ponto de serem utilizáveis ​​não apenas por métodos de segmentação automatizados, mas potencialmente também com algoritmos de registro e classificação”, escrevem os pesquisadores. “Também pode ser usado para aumentar a detecção de lesões anormais.”

Essa capacidade de analisar ressonâncias magnéticas cerebrais de baixa resolução usando morfometria automatizada permitiria o estudo de doenças raras e populações sub-representadas na pesquisa atual de neuroimagem. Além disso, melhorar a qualidade das imagens de scanners portáteis de ressonância magnética aumentaria seu uso em áreas carentes de atendimento médico, bem como em cuidados intensivos, onde a transferência de pacientes para uma sala de ressonância magnética costuma ser muito arriscada.

Ressonância magnética portátil diagnostica acidente vascular cerebral à beira do leito do paciente

Iglesias diz que outro desafio é a ampla gama de anormalidades encontradas em exames clínicos que precisam ser tratados pela CNN. “Atualmente, o SynthSR funciona bem com cérebros saudáveis, casos com atrofia e anormalidades menores, como pequenas lesões de esclerose múltipla ou pequenos derrames”, diz ele Mundo da física. “Atualmente, estamos trabalhando para melhorar o método para que ele possa lidar efetivamente com lesões maiores, como derrames ou tumores maiores”.

Escrevendo em um editorial de acompanhamento em Radiologia, Birgit Ertl-Wagner e Mateus Wagner do Hospital para crianças doentes em Toronto, comentam: “Este empolgante estudo de desenvolvimento técnico demonstra o potencial de reduzir a intensidade de campo e mirar alto para resolução espacial e de contraste usando inteligência artificial.”

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/