AI creează imagini ale creierului de înaltă rezoluție din scanări MR cu intensitate scăzută a câmpului

Sistemele RMN portabile, cu intensitate scăzută a câmpului, au potențialul de a transforma neuroimaginile - cu condiția ca rezoluția lor spațială scăzută și raportul semnal-zgomot (SNR) scăzut să poată fi depășite. Cercetătorii de la Harvard Medical School valorifică inteligența artificială (AI) pentru a atinge acest obiectiv. Ei au dezvoltat un algoritm de super-rezoluție de învățare automată care generează imagini sintetice cu rezoluție spațială ridicată din scanările RMN ale creierului cu rezoluție mai mică.

Algoritmul rețelei neuronale convoluționale (CNN), cunoscut sub numele de LF-SynthSR, convertește secvențele RMN cerebrale ponderate T0.064 și T1 cu intensitate scăzută a câmpului (2 T) în imagini izotrope cu rezoluție spațială de 1 mm și aspectul unei magnetizări ponderate T1. -achiziție pregătită rapid gradient-echo (MP-RAGE). Descriind studiul lor de dovadă a conceptului în Radiologie, cercetătorii raportează că imaginile sintetice au prezentat o corelație ridicată cu imaginile achiziționate de scanerele RMN de 1.5 T și 3.0 T.

Morfometria, analiza cantitativă a dimensiunii și formei structurilor dintr-o imagine, este esențială pentru multe studii de neuroimagistică. Din păcate, majoritatea instrumentelor de analiză RMN sunt concepute pentru achiziții aproape izotrope, de înaltă rezoluție și necesită de obicei imagini ponderate T1, cum ar fi MP-RAGE. Performanța lor scade adesea rapid pe măsură ce dimensiunea voxelului și anizotropia cresc. Deoarece marea majoritate a scanărilor RMN clinice existente sunt extrem de anizotrope, nu pot fi analizate în mod fiabil cu instrumentele existente.

„Milioane de imagini RM ale creierului cu rezoluție scăzută sunt produse în fiecare an, dar în prezent nu pot fi analizate cu software-ul de neuroimagistă”, explică investigatorul principal. Juan Eugenio Iglesias. „Scopul principal al cercetării mele actuale este de a dezvolta algoritmi care fac ca imaginile RM ale creierului cu rezoluție scăzută să arate ca scanările RMN de înaltă rezoluție pe care le folosim în cercetare. Sunt interesat în mod special de două aplicații: permiterea analizei 3D automate a scanărilor clinice și utilizarea cu scanere RMN portabile, cu câmp redus.”

Antrenament și testare

LF-SynthSR este construit pe SynthSR, o metodă dezvoltată de echipă pentru a instrui un CNN pentru a prezice scanări izotrope MP-RAGE cu rezoluție de 1 mm din scanările RM clinice de rutină. Descoperirile anterioare raportate în NeuroImage a arătat că imaginile generate de SynthSR ar putea fi utilizate în mod fiabil pentru segmentarea subcorticală și volumetrie, înregistrarea imaginii și, dacă sunt îndeplinite unele cerințe de calitate, chiar și pentru morfometria grosimii corticale.

Atât LF-SynthSR, cât și SynthSR sunt antrenate pe imagini de intrare sintetice cu aspect foarte variat generate din segmentările 3D și pot fi astfel utilizate pentru a antrena CNN-urile pentru orice combinație de contrast, rezoluție și orientare.

Iglesias subliniază că rețelele neuronale funcționează cel mai bine atunci când datele par aproximativ constante, dar fiecare spital folosește scanere de la diferiți furnizori, care sunt configurate diferit, rezultând scanări foarte eterogene. „Pentru a rezolva această problemă, împrumutăm idei dintr-un domeniu de învățare automată numit „randomizare a domeniilor”, în care antrenați rețele neuronale cu imagini sintetice care sunt simulate pentru a schimba în mod constant aspectul și rezoluția, pentru a obține rețele instruite care sunt agnostice pentru aspectul imaginilor de intrare”, explică el.

Pentru a evalua performanța LF-SynthSR, cercetătorii au corelat măsurătorile morfologiei creierului între RMN-urile sintetice și imaginile cu intensitatea câmpului ridicat. Pentru antrenament, ei au folosit un set de date RMN cu putere mare de câmp de scanări izotrope MP-RAGE de 1 mm de la 20 de subiecți. Ei au folosit, de asemenea, segmentări corespunzătoare din 36 de regiuni de interes ale creierului (ROI) și trei ROI extracerebrale. Setul de antrenament a fost, de asemenea, mărit artificial pentru a modela mai bine țesutul patologic, cum ar fi accidentul vascular cerebral sau hemoragia.

Setul de testare a cuprins date imagistice de la 24 de participanți cu simptome neurologice care au avut o scanare cu intensitate scăzută a câmpului (0.064 T) în plus față de un RMN cu intensitate de câmp înalt standard de îngrijire (1.5-3 T). Algoritmul a generat cu succes imagini MP-RAGE sintetice izotrope de 1 mm de la RMN-urile cerebrale cu intensitate scăzută, cu voxeli de peste 10 ori mai mici decât în ​​datele originale. Segmentarea automată a imaginilor sintetice dintr-un eșantion final de 11 participanți a generat volume de ROI care au fost foarte corelate cu cele derivate din scanările MR cu intensitate ridicată a câmpului.

„LF-SynthSR poate îmbunătăți calitatea imaginii scanărilor RMN cu intensitate scăzută a câmpului până la punctul în care acestea sunt utilizabile nu numai prin metode de segmentare automată, ci și posibil și cu algoritmi de înregistrare și clasificare”, scriu cercetătorii. „Ar putea fi folosit și pentru a spori detectarea leziunilor anormale.”

Această capacitate de a analiza RMN-uri ale creierului cu rezoluție scăzută folosind morfometria automată ar permite studiul bolilor rare și al populațiilor care sunt subreprezentate în cercetările actuale în neuroimagistică. În plus, îmbunătățirea calității imaginilor de la scanerele RMN portabile ar îmbunătăți utilizarea acestora în zonele defavorizate din punct de vedere medical, precum și în îngrijirea critică, unde mutarea pacienților într-o suită RMN este adesea prea riscantă.

RMN portabil diagnostichează accidentul vascular cerebral la patul pacientului

Iglesias spune că o altă provocare este gama largă de anomalii găsite în scanările clinice care trebuie gestionate de CNN. „În prezent, SynthSR funcționează bine cu creiere sănătoase, cazuri cu atrofie și anomalii mai mici, cum ar fi leziuni mici de scleroză multiplă sau accidente vasculare cerebrale mici”, spune el. Lumea fizicii. „În prezent, lucrăm pentru a îmbunătăți metoda, astfel încât să poată trata eficient leziunile mai mari, cum ar fi accidente vasculare cerebrale sau tumori mai mari.”

Scrierea într-un editorial însoțitor în Radiologie, Birgit Ertl-Wagner și Matthias Wagner de la Spital pentru copii bolnavi în Toronto, comentează: „Acest studiu de dezvoltare tehnică interesant demonstrează potențialul de a reduce puterea câmpului și de a ținti înalt pentru rezoluția spațială și de contrast folosind inteligența artificială.”

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
• Sursa: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/