Портативные системы МРТ с малой напряженностью поля могут изменить нейровизуализацию при условии, что их низкое пространственное разрешение и низкое отношение сигнал/шум (SNR) могут быть преодолены. Исследователи в Гарвардская медицинская школа используют искусственный интеллект (ИИ) для достижения этой цели. Они разработали алгоритм машинного обучения со сверхвысоким разрешением, который генерирует синтетические изображения с высоким пространственным разрешением из МРТ-сканов головного мозга с более низким разрешением.
Алгоритм сверточной нейронной сети (CNN), известный как LF-SynthSR, преобразует низкопольные (0.064 Тл) T1- и T2-взвешенные последовательности МРТ головного мозга в изотропные изображения с пространственным разрешением 1 мм и появлением T1-взвешенной намагниченности. -подготовленное быстрое градиентное эхо (MP-RAGE). Описывая свое экспериментальное исследование в РадиологияИсследователи сообщают, что синтетические изображения продемонстрировали высокую корреляцию с изображениями, полученными с помощью МРТ-сканеров 1.5 Тл и 3.0 Тл.
Морфометрия, количественный анализ размера и формы структур на изображении, занимает центральное место во многих исследованиях нейровизуализации. К сожалению, большинство инструментов МРТ-анализа предназначены для почти изотропных изображений с высоким разрешением и обычно требуют изображений, взвешенных по T1, таких как MP-RAGE. Их производительность часто быстро падает по мере увеличения размера вокселя и анизотропии. Поскольку подавляющее большинство существующих клинических МРТ-сканов сильно анизотропны, их нельзя надежно проанализировать с помощью существующих инструментов.
«Каждый год производятся миллионы МРТ-изображений головного мозга с низким разрешением, но в настоящее время их невозможно проанализировать с помощью программного обеспечения для нейровизуализации», — объясняет главный исследователь. Хуан Эухенио Иглесиас. «Основная цель моего текущего исследования — разработать алгоритмы, которые делают МРТ-изображения с низким разрешением похожими на МРТ-сканы с высоким разрешением, которые мы используем в исследованиях. Меня особенно интересуют два приложения: обеспечение автоматизированного 3D-анализа клинических сканов и использование с портативными сканерами МРТ с низким полем».
Обучение и тестирование
LF-SynthSR основан на SynthSR, методе, разработанном командой для обучения CNN прогнозированию изотропных сканирований MP-RAGE с разрешением 1 мм на основе обычных клинических МРТ-сканирований. Предыдущие выводы, о которых сообщалось в NeuroImage показали, что изображения, сгенерированные с помощью SynthSR, могут быть надежно использованы для подкорковой сегментации и волюметрии, регистрации изображений и, при соблюдении некоторых требований к качеству, даже для морфометрии толщины коры.
И LF-SynthSR, и SynthSR обучаются на синтетических входных изображениях с очень разным внешним видом, созданных из 3D-сегментаций, и поэтому могут использоваться для обучения CNN для любой комбинации контраста, разрешения и ориентации.
Иглесиас отмечает, что нейронные сети работают лучше всего, когда данные кажутся примерно постоянными, но каждая больница использует сканеры от разных поставщиков, которые настроены по-разному, что приводит к очень разнородным сканированиям. «Чтобы решить эту проблему, мы заимствуем идеи из области машинного обучения, называемой «рандомизация домена», где вы обучаете нейронные сети с помощью синтетических изображений, которые моделируются, чтобы постоянно менять внешний вид и разрешение, чтобы получить обученные сети, которые не зависят от внешний вид входных изображений», — объясняет он.
Чтобы оценить производительность LF-SynthSR, исследователи сопоставили измерения морфологии мозга между синтетическими МРТ и достоверными изображениями с высокой напряженностью поля. Для обучения они использовали набор данных магнитно-резонансной томографии с высокой напряженностью поля 1-мм изотропных сканирований MP-RAGE от 20 субъектов. Они также использовали соответствующие сегментации 36 интересующих областей мозга (ROI) и трех экстрацеребральных ROI. Учебный набор также был искусственно дополнен для лучшего моделирования патологических тканей, таких как инсульт или кровоизлияние.
Тестовый набор включал данные визуализации 24 участников с неврологическими симптомами, которые прошли сканирование с низкой напряженностью поля (0.064 Тл) в дополнение к стандартной МРТ с высокой напряженностью поля (1.5–3 Тл). Алгоритм успешно сгенерировал 1-миллиметровые изотропные синтетические изображения MP-RAGE из МРТ головного мозга с низкой напряженностью поля, с вокселами более чем в 10 раз меньше, чем в исходных данных. Автоматическая сегментация синтетических изображений из окончательной выборки из 11 участников позволила получить объемы ROI, которые в высокой степени коррелировали с объемами, полученными при МРТ-сканировании с высокой напряженностью поля.
«LF-SynthSR может улучшить качество изображений МРТ с низкой напряженностью поля до такой степени, что их можно будет использовать не только с помощью автоматических методов сегментации, но потенциально также с алгоритмами регистрации и классификации», — пишут исследователи. «Его также можно использовать для увеличения обнаружения аномальных поражений».
Эта возможность анализировать МРТ головного мозга с низким разрешением с использованием автоматизированной морфометрии позволит изучать редкие заболевания и популяции, недостаточно представленные в текущих исследованиях нейровизуализации. Кроме того, улучшение качества изображений с помощью портативных МРТ-сканеров улучшит их использование в областях с недостаточным медицинским обслуживанием, а также в отделениях интенсивной терапии, где перемещение пациентов в кабинет МРТ часто слишком рискованно.
Портативный МРТ диагностирует инсульт у постели больного
Иглесиас говорит, что еще одной проблемой является широкий спектр аномалий, обнаруженных при клиническом сканировании, которые должны обрабатываться CNN. «В настоящее время SynthSR хорошо работает со здоровым мозгом, пациентами с атрофией и более мелкими аномалиями, такими как небольшие очаги рассеянного склероза или небольшие инсульты», — говорит он. Мир физики. «В настоящее время мы работаем над улучшением метода, чтобы он мог эффективно справляться с более крупными поражениями, такими как более крупные инсульты или опухоли».
Написание в сопроводительной редакционной статье в Радиология, Биргит Эртль-Вагнер и Матиас Вагнер из Больница для больных детей Комментарий в Торонто: «Это захватывающее техническое исследование демонстрирует потенциал снижения напряженности поля и достижения высокого пространственного и контрастного разрешения с использованием искусственного интеллекта».
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/
- 1
- 10
- 11
- 3d
- a
- способность
- Достигать
- приобретенный
- приобретение
- приобретения
- дополнение
- AI
- алгоритм
- алгоритмы
- анализировать
- анализ
- и
- Другой
- появиться
- Приложения
- примерно
- области
- искусственный
- искусственный интеллект
- Искусственный интеллект (AI)
- дополненная
- Автоматизированный
- ЛУЧШЕЕ
- Лучшая
- между
- Заимствование
- Дно
- Мозг
- построенный
- под названием
- не могу
- заботится
- случаев
- центральный
- вызов
- изменение
- классификация
- Клинический
- CNN
- сочетание
- комментарий
- Состоит
- постоянная
- постоянно
- контраст
- Корреляция
- соответствующий
- может
- создает
- критической
- Текущий
- В настоящее время
- данным
- сделка
- Производный
- предназначенный
- обнаружение
- развивать
- развитый
- Разработка
- различный
- заболеваний
- Капли
- редакционный
- фактически
- включить
- позволяет
- Даже
- захватывающий
- существующий
- Объясняет
- поле
- окончательный
- найденный
- от
- Общие
- генерируется
- генерирует
- Go
- цель
- Освоение
- Гарвардский
- здоровый
- High
- высокое разрешение
- очень
- HTTPS
- идеи
- изображение
- изображений
- Изображениями
- улучшать
- улучшение
- in
- Увеличение
- информация
- вход
- Интеллекта
- заинтересованный
- вопрос
- IT
- известный
- больше
- изучение
- посмотреть
- выглядит как
- Низкий
- машина
- обучение с помощью машины
- Главная
- Большинство
- сделать
- многих
- Массачусетс
- макс-ширина
- размеры
- основным медицинским
- метод
- методы
- модель
- БОЛЕЕ
- самых
- перемещение
- mr
- МРТ
- с разными
- Рассеянный склероз
- Необходимость
- сеть
- сетей
- нейронной сети
- нейронные сети
- NIH
- полученный
- открытый
- заказ
- оригинал
- Преодолеть
- новыми участниками
- особенно
- пациент
- пациентов
- Выполнять
- производительность
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Точка
- пунктов
- популяции
- потенциал
- потенциально
- предсказывать
- предыдущий
- Основной
- Проблема
- Произведенный
- при условии
- количественный
- ассортимент
- быстро
- быстро
- РЕДКИЙ
- соотношение
- Регистрация
- отчету
- Сообщается
- требовать
- Требования
- исследованиям
- исследователи
- Постановления
- в результате
- рискованный
- ROI
- РЯД
- сканирование
- Школа
- сегментация
- набор
- Форма
- Размер
- небольшой
- меньше
- So
- Software
- некоторые
- пространственный
- прочность
- исследования
- Кабинет
- Успешно
- такие
- suite
- симптомы
- синтетический
- системы
- команда
- Технический
- говорит
- тестXNUMX
- Ассоциация
- их
- три
- миниатюрами
- раз
- в
- слишком
- инструменты
- топ
- Торонто
- Train
- специалистов
- Обучение
- Transform
- трансформация
- правда
- типично
- недопредставленными
- недостаточная степень
- использование
- Огромная
- поставщики
- тома
- Воксельный
- Воксели
- в то время как
- КТО
- широкий
- Широкий диапазон
- работает
- работает
- бы
- записывать
- X
- год
- Ты
- зефирнет