AI, düşük alan güçlü MR taramalarından yüksek çözünürlüklü beyin görüntüleri oluşturur

Taşınabilir, düşük alan kuvvetli MRI sistemleri, düşük uzamsal çözünürlükleri ve düşük sinyal-gürültü (SNR) oranlarının üstesinden gelinebilmesi koşuluyla, nörogörüntülemeyi dönüştürme potansiyeline sahiptir. Araştırmacılar Harvard Tıp Fakültesi bu amaca ulaşmak için yapay zekadan (AI) yararlanıyor. Daha düşük çözünürlüklü beyin MRI taramalarından yüksek uzamsal çözünürlüğe sahip sentetik görüntüler üreten bir makine öğrenimi süper çözünürlüklü algoritma geliştirdiler.

LF-SynthSR olarak bilinen evrişimli sinir ağı (CNN) algoritması, düşük alan kuvvetli (0.064 T) T1 ve T2 ağırlıklı beyin MRI sekanslarını, 1 mm uzamsal çözünürlüğe ve T1 ağırlıklı bir mıknatıslanma görünümüne sahip izotropik görüntülere dönüştürür -hazırlanmış hızlı gradyan-yankı (MP-RAGE) edinimi. Kavram kanıtlama çalışmalarını açıklayan Radyoloji, araştırmacılar, sentetik görüntülerin 1.5 T ve 3.0 T MRI tarayıcıları tarafından elde edilen görüntülerle yüksek korelasyon gösterdiğini bildirdi.

Bir görüntüdeki yapıların nicel boyut ve şekil analizi olan morfometri, birçok nörogörüntüleme çalışmasının merkezinde yer alır. Ne yazık ki çoğu MRI analiz aracı, izotropik yakın, yüksek çözünürlüklü alımlar için tasarlanmıştır ve tipik olarak MP-RAGE gibi T1 ağırlıklı görüntüler gerektirir. Performansları genellikle voksel boyutu ve anizotropi arttıkça hızla düşer. Mevcut klinik MRG taramalarının büyük çoğunluğu oldukça anizotropik olduğundan, mevcut araçlarla güvenilir bir şekilde analiz edilemezler.

Baş araştırmacı, "Her yıl milyonlarca düşük çözünürlüklü beyin MR görüntüsü üretiliyor, ancak şu anda nörogörüntüleme yazılımıyla analiz edilemiyor" diye açıklıyor. Juan Eugenio Iglesias. "Mevcut araştırmamın temel amacı, düşük çözünürlüklü beyin MR görüntülerini araştırmalarda kullandığımız yüksek çözünürlüklü MRI taramalarına benzeyen algoritmalar geliştirmek. Özellikle iki uygulamayla ilgileniyorum: klinik taramaların otomatik 3D analizini sağlamak ve taşınabilir, düşük alanlı MRI tarayıcılarıyla kullanmak."

Eğitim ve test

LF-SynthSR, rutin klinik MR taramalarından 1 mm çözünürlüklü MP-RAGE izotropik taramaları tahmin etmek üzere bir CNN'yi eğitmek için ekip tarafından geliştirilen bir yöntem olan SynthSR üzerine kurulmuştur. Bildirilen önceki bulgular NeuroImage SynthSR tarafından üretilen görüntülerin subkortikal segmentasyon ve hacim, görüntü kaydı ve hatta bazı kalite gereksinimleri karşılanırsa kortikal kalınlık morfometrisi için güvenilir bir şekilde kullanılabileceğini gösterdi.

Hem LF-SynthSR hem de SynthSR, 3B segmentasyonlardan oluşturulan oldukça değişken görünüme sahip sentetik girdi görüntüleri üzerinde eğitilmiştir ve bu nedenle herhangi bir kontrast, çözünürlük ve yönlendirme kombinasyonu için CNN'leri eğitmek için kullanılabilir.

Iglesias, sinir ağlarının veriler yaklaşık olarak sabit göründüğünde en iyi performansı gösterdiğine, ancak her hastanenin farklı satıcılardan farklı şekilde yapılandırılmış tarayıcılar kullandığına ve bunun da oldukça heterojen taramalara yol açtığına dikkat çekiyor. "Bu sorunun üstesinden gelmek için, 'etki alanı rasgeleleştirme' adı verilen bir makine öğrenimi alanından fikirler ödünç alıyoruz; burada, agnostik olan eğitimli ağlar elde etmek için, görünümü ve çözünürlüğü sürekli değiştirmek üzere simüle edilen sentetik görüntülerle sinir ağlarını eğitiyorsunuz. girdi görüntülerinin görünümü” diye açıklıyor.

LF-SynthSR'nin performansını değerlendirmek için araştırmacılar, beyin morfolojisi ölçümlerini sentetik MRG'ler ve yer gerçeği yüksek alan güçlü görüntüler arasında ilişkilendirdi. Eğitim için, 1 denekten alınan 20 mm izotropik MP-RAGE taramalarından oluşan yüksek alan güçlü bir MRI veri kümesi kullandılar. Ayrıca 36 beyin ilgilenilen bölge (ROI) ve üç ekstraserebral ROI'nin karşılık gelen segmentasyonlarını kullandılar. Eğitim seti ayrıca inme veya hemoraji gibi patolojik dokuları daha iyi modellemek için yapay olarak artırıldı.

Test seti, bakım standardı yüksek alan gücü (24-0.064 T) MRG'ye ek olarak düşük alan gücü (1.5 T) taraması olan nörolojik semptomları olan 3 katılımcının görüntüleme verilerini içeriyordu. Algoritma, düşük alan kuvvetli beyin MRI'larından, orijinal verilerden 1 kat daha küçük voksellere sahip 10 mm izotropik sentetik MP-RAGE görüntülerini başarıyla oluşturdu. 11 katılımcıdan oluşan son bir numuneden alınan sentetik görüntülerin otomatik olarak bölümlenmesi, yüksek alan kuvvetli MR taramalarından elde edilenlerle yüksek oranda ilişkili olan ROI hacimleri verdi.

Araştırmacılar, "LF-SynthSR, düşük alan güçlü MRG taramalarının görüntü kalitesini, yalnızca otomatik segmentasyon yöntemleriyle değil, aynı zamanda potansiyel olarak kayıt ve sınıflandırma algoritmalarıyla da kullanılabilecekleri noktaya kadar artırabilir" diye yazıyor. "Anormal lezyonların saptanmasını artırmak için de kullanılabilir."

Düşük çözünürlüklü beyin MRG'lerini otomatik morfometri kullanarak analiz etme yeteneği, mevcut nörogörüntüleme araştırmalarında yeterince temsil edilmeyen nadir hastalıkların ve popülasyonların çalışılmasına olanak sağlayacaktır. Ek olarak, taşınabilir MRI tarayıcılarından alınan görüntülerin kalitesinin iyileştirilmesi, tıbbi olarak yetersiz hizmet alan alanlarda ve ayrıca hastaları bir MRI odasına taşımanın genellikle çok riskli olduğu kritik bakımda kullanımlarını artıracaktır.

Portatif MRI hasta başında felç teşhisi koyar

Iglesias, bir başka zorluğun da klinik taramalarda bulunan ve CNN tarafından ele alınması gereken çok çeşitli anormallikler olduğunu söylüyor. "Şu anda SynthSR, sağlıklı beyinler, atrofi vakaları ve küçük multipl skleroz lezyonları veya küçük felçler gibi daha küçük anormallikler ile iyi çalışıyor" diyor. Fizik dünyası. "Şu anda yöntemi iyileştirmek için çalışıyoruz, böylece daha büyük felçler veya tümörler gibi daha büyük lezyonlarla etkili bir şekilde başa çıkabilir."

Eşlik eden bir başyazıda yazmak Radyoloji, Birgit Ertl-Wagner ve Matthias Wagner itibaren Hasta Çocuk Hastanesi Toronto'da şu yorumda bulunuyor: "Bu heyecan verici teknik geliştirme çalışması, yapay zeka kullanarak alan gücünde azalma ve uzamsal ve kontrast çözünürlüğünde yüksek hedefleme potansiyelini gösteriyor."

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/