AI skapar högupplösta hjärnbilder från MR-skanningar med låg fältstyrka

Bärbara MRI-system med låg fältstyrka har potential att transformera neuroimaging – förutsatt att deras låga rumsliga upplösning och låga signal-brusförhållande (SNR) kan övervinnas. Forskare vid Harvard Medical School använder artificiell intelligens (AI) för att uppnå detta mål. De har utvecklat en superupplösningsalgoritm för maskininlärning som genererar syntetiska bilder med hög rumslig upplösning från hjärn-MRI-skanningar med lägre upplösning.

Algoritmen för det konvolutionella neurala nätverket (CNN), känd som LF-SynthSR, omvandlar T0.064- och T1-vägda hjärn-MRI-sekvenser med låg fältstyrka (2 T) till isotropa bilder med 1 mm rumslig upplösning och utseendet av en T1-vägd magnetisering -förberedd snabb gradient-eko (MP-RAGE) förvärv. Beskriver deras proof-of-concept-studie i Radiologi, rapporterar forskarna att de syntetiska bilderna uppvisade hög korrelation med bilder som förvärvats av 1.5 T och 3.0 T MRI-skannrar.

Morfometri, den kvantitativa storleks- och formanalysen av strukturer i en bild, är central i många neuroimagingstudier. Tyvärr är de flesta MRI-analysverktyg utformade för nära-isotropa, högupplösta förvärv och kräver vanligtvis T1-viktade bilder som MP-RAGE. Deras prestanda sjunker ofta snabbt när voxelstorleken och anisotropin ökar. Eftersom den stora majoriteten av befintliga kliniska MRT-skanningar är mycket anisotropa, kan de inte analyseras tillförlitligt med befintliga verktyg.

"Miljontals lågupplösta hjärn-MR-bilder produceras varje år, men kan för närvarande inte analyseras med neuroimaging programvara", förklarar rektor. Juan Eugenio Iglesias. "Huvudmålet med min nuvarande forskning är att utveckla algoritmer som får lågupplösta MR-bilder från hjärnan att se ut som de högupplösta MR-skanningar som vi använder i forskningen. Jag är särskilt intresserad av två applikationer: att möjliggöra automatiserad 3D-analys av de kliniska skanningarna och användning med bärbara, lågfälts MRI-skannrar.”

Utbildning och testning

LF-SynthSR bygger på SynthSR, en metod som utvecklats av teamet för att träna en CNN att förutsäga 1 mm-upplösning MP-RAGE isotropiska skanningar från rutinmässiga kliniska MR-skanningar. Tidigare fynd rapporterade i Neuroimage visade att SynthSR-genererade bilder på ett tillförlitligt sätt kunde användas för subkortikal segmentering och volym, bildregistrering och, om vissa kvalitetskrav uppfylls, även kortikal tjockleksmorfometri.

Både LF-SynthSR och SynthSR tränas på syntetiska ingångsbilder med mycket varierande utseende genererade från 3D-segmentering, och kan således användas för att träna CNN för valfri kombination av kontrast, upplösning och orientering.

Iglesias påpekar att neurala nätverk fungerar bäst när data visas ungefär konstant, men varje sjukhus använder skannrar från olika leverantörer som är konfigurerade på olika sätt, vilket resulterar i mycket heterogena skanningar. ”För att ta itu med det här problemet lånar vi idéer från ett område av maskininlärning som kallas 'domänrandomisering', där man tränar neurala nätverk med syntetiska bilder som simuleras för att ständigt ändra utseende och upplösning, för att få tränade nätverk som är agnostiska mot utseendet på ingångsbilderna”, förklarar han.

För att bedöma prestandan hos LF-SynthSR, korrelerade forskarna hjärnmorfologimätningar mellan syntetiska MRI:er och marksanningsbilder med hög fältstyrka. För träning använde de en MRI-datauppsättning med hög fältstyrka med 1 mm isotropiska MP-RAGE-skanningar från 20 försökspersoner. De använde också motsvarande segmentering av 36 hjärnregioner av intresse (ROI) och tre extracerebrala ROI. Träningssetet utökades också på konstgjord väg för att bättre modellera patologisk vävnad som stroke eller blödning.

Testuppsättningen bestod av bilddata från 24 deltagare med neurologiska symtom som hade en skanning med låg fältstyrka (0.064 T) utöver en standardiserad högfältsstyrka (1.5–3 T) MRT. Algoritmen genererade framgångsrikt 1 mm isotropiska syntetiska MP-RAGE-bilder från hjärn-MRI med låg fältstyrka, med voxlar mer än 10 gånger mindre än i originaldata. Automatiserad segmentering av de syntetiska bilderna från ett slutligt urval av 11 deltagare gav ROI-volymer som var starkt korrelerade med de som härrörde från MR-skanningarna med hög fältstyrka.

"LF-SynthSR kan förbättra bildkvaliteten för MRI-skanningar med låg fältstyrka till den grad att de är användbara inte bara genom automatiserade segmenteringsmetoder utan potentiellt också med registrerings- och klassificeringsalgoritmer", skriver forskarna. "Det kan också användas för att öka upptäckten av onormala lesioner."

Denna förmåga att analysera lågupplösta hjärn-MRI med hjälp av automatiserad morfometri skulle möjliggöra studier av sällsynta sjukdomar och populationer som är underrepresenterade i nuvarande neuroimaging forskning. Dessutom skulle en förbättring av kvaliteten på bilder från bärbara MRT-skannrar förbättra deras användning i medicinskt underbetjänade områden, såväl som inom intensivvård, där det ofta är för riskabelt att flytta patienter till en MRT-svit.

Bärbar MRT diagnostiserar stroke vid patientens säng

Iglesias säger att en annan utmaning är det breda utbudet av avvikelser som hittas i kliniska skanningar som måste hanteras av CNN. "För närvarande fungerar SynthSR bra med friska hjärnor, fall med atrofi och mindre abnormiteter som små multipel sklerosskador eller små stroke," säger han Fysikvärlden. "Vi arbetar för närvarande med att förbättra metoden så att den effektivt kan hantera större lesioner, som större stroke eller tumörer."

Skriver i en medföljande ledare i Radiologi, Birgit Ertl-Wagner och Mattias Wagner från Sjukhus för sjuka barn i Toronto kommentar: "Denna spännande tekniska utvecklingsstudie visar potentialen att minska fältstyrkan och sikta högt för rumslig och kontrastupplösning med artificiell intelligens."

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
• Källa: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/