Umetna inteligenca ustvari slike možganov z visoko ločljivostjo iz posnetkov MR z nizko poljsko močjo

Prenosni sistemi MRI z nizko poljsko jakostjo lahko spremenijo slikanje nevronov – pod pogojem, da je mogoče premagati njihovo nizko prostorsko ločljivost in nizko razmerje med signalom in šumom (SNR). Raziskovalci na Harvard Medical School za dosego tega cilja izkoriščajo umetno inteligenco (AI). Razvili so algoritem strojnega učenja za super ločljivost, ki ustvarja sintetične slike z visoko prostorsko ločljivostjo iz slikanja MRI možganov z nižjo ločljivostjo.

Algoritem konvolucijske nevronske mreže (CNN), znan kot LF-SynthSR, pretvori nizkopoljsko jakost (0.064 T) T1- in T2-utežene sekvence MRI možganov v izotropne slike s prostorsko ločljivostjo 1 mm in videzom T1-utežene magnetizacije -pripravljen hitri gradient-echo (MP-RAGE) zajem. Opisuje svojo študijo o dokazovanju koncepta v Radiologija, raziskovalci poročajo, da so sintetične slike pokazale visoko korelacijo s slikami, pridobljenimi z MRI skenerji 1.5 T in 3.0 T.

Morfometrija, kvantitativna analiza velikosti in oblike struktur na sliki, je osrednjega pomena za številne nevroslikarske študije. Na žalost je večina orodij za analizo MRI zasnovanih za skoraj izotropne posnetke z visoko ločljivostjo in običajno zahtevajo T1-utežene slike, kot je MP-RAGE. Njihova zmogljivost pogosto hitro upade, ko se povečata velikost voksela in anizotropija. Ker je velika večina obstoječih kliničnih MRI skeniranj zelo anizotropnih, jih z obstoječimi orodji ni mogoče zanesljivo analizirati.

"Vsako leto se ustvari na milijone MR slik možganov z nizko ločljivostjo, vendar jih trenutno ni mogoče analizirati s programsko opremo za slikanje nevronov," pojasnjuje glavni raziskovalec Juan Eugenio Iglesias. »Glavni cilj moje trenutne raziskave je razviti algoritme, zaradi katerih so slike z magnetno resonanco možganov z nizko ločljivostjo videti kot MRI z visoko ločljivostjo, ki jih uporabljamo v raziskavah. Še posebej me zanimata dve aplikaciji: omogočanje avtomatizirane 3D analize kliničnih posnetkov in uporaba s prenosnimi skenerji MRI z nizkim poljem.«

Usposabljanje in testiranje

LF-SynthSR je zgrajen na SynthSR, metodi, ki jo je razvila ekipa za usposabljanje CNN za napovedovanje izotropnih skeniranj MP-RAGE z ločljivostjo 1 mm iz rutinskih kliničnih slikanj MR. Prejšnje ugotovitve, sporočene v NeuroImage je pokazalo, da je mogoče slike, ustvarjene s SynthSR, zanesljivo uporabiti za subkortikalno segmentacijo in volumetrijo, registracijo slike in, če so izpolnjene nekatere zahteve glede kakovosti, celo morfometrijo kortikalne debeline.

Tako LF-SynthSR kot SynthSR se usposabljata na sintetičnih vhodnih slikah zelo raznolikega videza, ustvarjenih iz 3D segmentacij, in ju je tako mogoče uporabiti za usposabljanje CNN-jev za katero koli kombinacijo kontrasta, ločljivosti in orientacije.

Iglesias poudarja, da se nevronske mreže najbolje obnesejo, ko so podatki približno enaki, vendar vsaka bolnišnica uporablja skenerje različnih proizvajalcev, ki so različno konfigurirani, kar ima za posledico zelo heterogena skeniranja. »Da bi se spopadli s to težavo, si izposojamo ideje s področja strojnega učenja, imenovanega 'randomizacija domene', kjer nevronske mreže usposabljate s sintetičnimi slikami, ki so simulirane tako, da nenehno spreminjajo videz in ločljivost, da bi dobili usposobljena omrežja, ki so agnostična za videz vhodnih slik,« pojasnjuje.

Da bi ocenili delovanje LF-SynthSR, so raziskovalci povezali meritve možganske morfologije med sintetičnimi slikami magnetne resonance (MRI) in slikami z visoko jakostjo polja. Za usposabljanje so uporabili nabor podatkov MRI z visoko poljsko jakostjo 1 mm izotropnih MP-RAGE skeniranj 20 oseb. Uporabili so tudi ustrezne segmentacije 36 interesnih regij možganov (ROI) in treh ekstracerebralnih ROI. Vadbeni niz je bil tudi umetno povečan za boljše modeliranje patološkega tkiva, kot je možganska kap ali krvavitev.

Testni niz je vključeval podatke o slikanju 24 udeležencev z nevrološkimi simptomi, ki so poleg standardne oskrbe MRI z visoko jakostjo polja (0.064–1.5 T) opravili skeniranje z nizko poljsko jakostjo (3 T). Algoritem je uspešno ustvaril 1-mm izotropne sintetične slike MP-RAGE iz MRI možganov z nizko poljsko jakostjo, z vokseli, ki so bili več kot 10-krat manjši kot v izvirnih podatkih. Avtomatizirana segmentacija sintetičnih slik iz končnega vzorca 11 udeležencev je prinesla obseg donosnosti naložbe, ki je bil v veliki korelaciji s tistimi, pridobljenimi iz MR skeniranja z visoko poljsko jakostjo.

"LF-SynthSR lahko izboljša kakovost slike MRI skeniranja z nizko poljsko jakostjo do te mere, da so uporabni ne le z avtomatiziranimi metodami segmentacije, ampak potencialno tudi z algoritmi registracije in klasifikacije," pišejo raziskovalci. "Lahko bi ga uporabili tudi za izboljšanje odkrivanja nenormalnih lezij."

Ta zmožnost analize MRI možganov z nizko ločljivostjo z uporabo avtomatizirane morfometrije bi omogočila preučevanje redkih bolezni in populacij, ki so premalo zastopane v trenutnih raziskavah slikanja nevronov. Poleg tega bi izboljšanje kakovosti slik iz prenosnih magnetnoresonančnih skenerjev izboljšalo njihovo uporabo na zdravstveno slabo oskrbovanih območjih, pa tudi v intenzivni negi, kjer je selitev pacientov v MRI opremo pogosto preveč tvegana.

Prenosni MRI diagnosticira možgansko kap ob bolnikovi postelji

Iglesias pravi, da je še en izziv širok razpon nepravilnosti, odkritih pri kliničnih pregledih, ki jih mora obravnavati CNN. "Trenutno SynthSR dobro deluje pri zdravih možganih, primerih z atrofijo in manjšimi nepravilnostmi, kot so majhne lezije multiple skleroze ali majhne možganske kapi," pravi. Svet fizike. "Trenutno si prizadevamo izboljšati metodo, da bi lahko učinkovito obravnavala večje lezije, kot so večje kapi ali tumorji."

Pisanje v spremnem uvodniku v Radiologija, Birgit Ertl-Wagner in Matija Wagner Iz Bolnišnica za bolne otroke v komentarju v Torontu: "Ta vznemirljiva študija tehničnega razvoja dokazuje možnost, da z uporabo umetne inteligence zmanjšamo jakost polja in si prizadevamo za visoko prostorsko in kontrastno ločljivost."

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
• vir: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/