AI สร้างภาพสมองที่มีความละเอียดสูงจากการสแกน MR ที่มีความแรงต่ำ

ระบบ MRI ความแรงสนามต่ำแบบพกพามีศักยภาพในการเปลี่ยนแปลงการสร้างภาพระบบประสาท โดยสามารถเอาชนะความละเอียดเชิงพื้นที่ต่ำและอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) ต่ำได้ นักวิจัยที่ โรงเรียน Harvard Medical กำลังควบคุมปัญญาประดิษฐ์ (AI) เพื่อบรรลุเป้าหมายนี้ พวกเขาได้พัฒนาอัลกอริธึมความละเอียดสูงพิเศษของแมชชีนเลิร์นนิงที่สร้างภาพสังเคราะห์ที่มีความละเอียดเชิงพื้นที่สูงจากการสแกน MRI สมองที่มีความละเอียดต่ำกว่า

อัลกอริทึมของเครือข่ายประสาทเทียม (CNN) ที่รู้จักกันในชื่อ LF-SynthSR แปลงลำดับ MRI ของสมองที่ถ่วงน้ำหนักฟิลด์ต่ำ (0.064 T) T1 และ T2 เป็นภาพไอโซทรอปิกที่มีความละเอียดเชิงพื้นที่ 1 มม. และลักษณะของการสะกดจิตด้วยน้ำหนัก T1 เตรียมการได้มาซึ่งการไล่ระดับสีแบบเร็ว (MP-RAGE) อธิบายการศึกษาการพิสูจน์แนวคิดของพวกเขาใน รังสีวิทยานักวิจัยรายงานว่าภาพสังเคราะห์มีความสัมพันธ์สูงกับภาพที่ได้มาจากเครื่องสแกน MRI 1.5 T และ 3.0 T

Morphometry การวิเคราะห์ขนาดเชิงปริมาณและรูปร่างของโครงสร้างในรูปภาพ เป็นศูนย์กลางของการศึกษาการสร้างภาพทางประสาทจำนวนมาก น่าเสียดายที่เครื่องมือวิเคราะห์ MRI ส่วนใหญ่ได้รับการออกแบบมาสำหรับการได้มาซึ่งความละเอียดสูงแบบใกล้ไอโซโทรปิก และโดยทั่วไปแล้วต้องใช้ภาพที่มีน้ำหนัก T1 เช่น MP-RAGE ประสิทธิภาพของพวกเขามักจะลดลงอย่างรวดเร็วเมื่อขนาด voxel และ anisotropy เพิ่มขึ้น เนื่องจากการสแกน MRI ทางคลินิกที่มีอยู่ส่วนใหญ่เป็นแบบแอนไอโซทรอปิกสูง จึงไม่สามารถวิเคราะห์ได้อย่างน่าเชื่อถือด้วยเครื่องมือที่มีอยู่

“ภาพ MR สมองที่มีความละเอียดต่ำหลายล้านภาพถูกสร้างขึ้นทุกปี แต่ปัจจุบันไม่สามารถวิเคราะห์ด้วยซอฟต์แวร์สร้างภาพระบบประสาทได้” ผู้วิจัยหลักอธิบาย ฮวน ยูจินิโอ อิเกลเซียส. “เป้าหมายหลักของการวิจัยในปัจจุบันของฉันคือการพัฒนาอัลกอริธึมที่ทำให้ภาพ MR ของสมองที่มีความละเอียดต่ำดูเหมือนการสแกน MRI ความละเอียดสูงที่เราใช้ในการวิจัย ฉันสนใจสองแอปพลิเคชั่นเป็นพิเศษ: เปิดใช้งานการวิเคราะห์ 3D อัตโนมัติของการสแกนทางคลินิกและการใช้กับเครื่องสแกน MRI แบบพกพาที่มีเขตข้อมูลต่ำ”

การฝึกอบรมและการทดสอบ

LF-SynthSR สร้างขึ้นจาก SynthSR ซึ่งเป็นวิธีการที่พัฒนาโดยทีมงานเพื่อฝึก CNN ให้คาดการณ์การสแกน MP-RAGE isotropic ที่มีความละเอียด 1 มม. จากการสแกน MR ทางคลินิกที่ทำเป็นประจำ การค้นพบก่อนหน้านี้รายงานใน NeuroImage แสดงให้เห็นว่ารูปภาพที่สร้างโดย SynthSR สามารถใช้ได้อย่างน่าเชื่อถือสำหรับการแบ่งส่วนย่อยและการวัดปริมาตร การลงทะเบียนรูปภาพ และหากตรงตามข้อกำหนดด้านคุณภาพบางประการ แม้แต่การวัดรูปร่างของความหนาของเปลือกนอก

ทั้ง LF-SynthSR และ SynthSR ได้รับการฝึกอบรมเกี่ยวกับภาพอินพุตสังเคราะห์ที่มีลักษณะแตกต่างกันสูงซึ่งสร้างขึ้นจากการแบ่งส่วนแบบ 3 มิติ ดังนั้นจึงสามารถใช้ในการฝึกอบรม CNN สำหรับการผสมผสานระหว่างคอนทราสต์ ความละเอียด และการวางแนว

Iglesias ชี้ให้เห็นว่าโครงข่ายประสาทเทียมทำงานได้ดีที่สุดเมื่อข้อมูลปรากฏเป็นค่าคงที่โดยประมาณ แต่โรงพยาบาลทุกแห่งใช้เครื่องสแกนจากผู้ขายหลายรายที่มีการกำหนดค่าต่างกัน ส่งผลให้การสแกนมีความแตกต่างกันอย่างมาก “เพื่อจัดการกับปัญหานี้ เรากำลังยืมแนวคิดจากสาขาการเรียนรู้ของเครื่องที่เรียกว่า 'การสุ่มโดเมน' ซึ่งคุณฝึกโครงข่ายประสาทเทียมด้วยภาพสังเคราะห์ที่จำลองเพื่อเปลี่ยนรูปลักษณ์และความละเอียดอย่างต่อเนื่อง เพื่อให้ได้เครือข่ายที่ผ่านการฝึกอบรมที่ไม่เชื่อเรื่องพระเจ้า ลักษณะของภาพอินพุต” เขาอธิบาย

เพื่อประเมินประสิทธิภาพของ LF-SynthSR นักวิจัยได้เชื่อมโยงการวัดลักษณะทางสัณฐานวิทยาของสมองระหว่าง MRI สังเคราะห์และภาพความแรงของฟิลด์ความจริงสูง สำหรับการฝึกอบรม พวกเขาใช้ชุดข้อมูล MRI ความเข้มสนามสูงของการสแกน MP-RAGE แบบไอโซโทรปิก 1 มม. จากอาสาสมัคร 20 คน พวกเขายังใช้การแบ่งส่วนที่สอดคล้องกันของพื้นที่ที่น่าสนใจ (ROI) ของสมอง 36 แห่งและ ROI นอกสมองสามแห่ง ชุดการฝึกยังได้รับการเสริมเทียมเพื่อสร้างแบบจำลองเนื้อเยื่อพยาธิสภาพที่ดีขึ้น เช่น โรคหลอดเลือดสมองหรือเลือดออก

ชุดทดสอบประกอบด้วยข้อมูลการถ่ายภาพจากผู้เข้าร่วม 24 คนที่มีอาการทางระบบประสาทที่มีการสแกน MRI ระดับความแรงของสนามต่ำ (0.064 T) นอกเหนือจากการสแกน MRI ที่มีความแรงของสนามสูงตามมาตรฐานการดูแล (1.5–3 T) อัลกอริทึมประสบความสำเร็จในการสร้างภาพ MP-RAGE สังเคราะห์ไอโซโทรปิกขนาด 1 มม. จาก MRI ของสมองที่มีสนามแม่เหล็กต่ำ โดยมี voxels เล็กกว่าข้อมูลต้นฉบับมากกว่า 10 เท่า การแบ่งส่วนอัตโนมัติของภาพสังเคราะห์จากตัวอย่างสุดท้ายของผู้เข้าร่วม 11 คนทำให้ได้ปริมาณ ROI ที่สัมพันธ์กันอย่างมากกับที่ได้มาจากการสแกน MR ที่มีความแรงของฟิลด์สูง

“LF-SynthSR อาจปรับปรุงคุณภาพของภาพของการสแกน MRI ความเข้มสนามต่ำจนถึงจุดที่ไม่สามารถใช้งานได้โดยวิธีการแบ่งส่วนอัตโนมัติเท่านั้น แต่อาจรวมถึงอัลกอริทึมการลงทะเบียนและการจำแนกประเภทด้วย” นักวิจัยเขียน “มันสามารถใช้เพื่อเพิ่มการตรวจหารอยโรคที่ผิดปกติได้ด้วย”

ความสามารถในการวิเคราะห์ MRI ของสมองที่มีความละเอียดต่ำโดยใช้ morphometry อัตโนมัติจะช่วยให้สามารถศึกษาโรคและประชากรที่หาได้ยากซึ่งไม่ได้มีบทบาทในการวิจัยการสร้างภาพทางระบบประสาทในปัจจุบัน นอกจากนี้ การปรับปรุงคุณภาพของภาพจากเครื่องสแกน MRI แบบพกพาจะช่วยเพิ่มการใช้งานในพื้นที่ที่ไม่ได้รับการดูแลทางการแพทย์ เช่นเดียวกับการดูแลผู้ป่วยวิกฤต ซึ่งการย้ายผู้ป่วยไปยังชุด MRI มักจะเสี่ยงเกินไป

MRI แบบพกพาวินิจฉัยโรคหลอดเลือดสมองที่ข้างเตียงของผู้ป่วย

Iglesias กล่าวว่าความท้าทายอีกอย่างคือความผิดปกติที่หลากหลายที่พบในการสแกนทางคลินิกซึ่ง CNN จำเป็นต้องได้รับการจัดการ “ปัจจุบัน SynthSR ทำงานได้ดีกับสมองที่แข็งแรง กรณีที่มีการฝ่อ และความผิดปกติเล็กๆ น้อยๆ เช่น รอยโรคปลอกประสาทเสื่อมแข็งขนาดเล็กหรือเส้นโลหิตในสมองแตก” เขากล่าว โลกฟิสิกส์. “ขณะนี้เรากำลังดำเนินการปรับปรุงวิธีการเพื่อให้สามารถจัดการกับรอยโรคขนาดใหญ่ เช่น เส้นเลือดในสมองตีบหรือเนื้องอกที่ใหญ่ขึ้นได้อย่างมีประสิทธิภาพ”

เขียนในบทบรรณาธิการประกอบใน รังสีวิทยา, เบอร์กิต เอิร์ทเทิล-วากเนอร์ และ แมทเธียส วากเนอร์ จาก โรงพยาบาลเด็กป่วย ในความคิดเห็นของโตรอนโต: "การศึกษาการพัฒนาด้านเทคนิคที่น่าตื่นเต้นนี้แสดงให้เห็นถึงศักยภาพในการลดความแรงของสนามและตั้งเป้าหมายสูงสำหรับความละเอียดเชิงพื้นที่และคอนทราสต์โดยใช้ปัญญาประดิษฐ์"

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/