ИИ создает изображения мозга с высоким разрешением на основе МРТ-сканов с низкой напряженностью поля

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/