Штучний інтелект створює зображення мозку високої роздільної здатності на основі МР-сканування з низькою силою поля

Портативні МРТ-системи з низькою інтенсивністю поля мають потенціал для трансформації нейровізуалізації – за умови, що їх низьку просторову роздільну здатність і низьке співвідношення сигнал/шум (SNR) можна подолати. Дослідники в Гарвардська медична школа використовують штучний інтелект (ШІ) для досягнення цієї мети. Вони розробили алгоритм машинного навчання з надвисокою роздільною здатністю, який генерує синтетичні зображення з високою просторовою роздільною здатністю на основі МРТ-сканування мозку з низькою роздільною здатністю.

Алгоритм згорткової нейронної мережі (CNN), відомий як LF-SynthSR, перетворює послідовності МРТ мозку з низькою напруженістю поля (0.064 Тл), зважені T1 і T2, в ізотропні зображення з просторовою роздільною здатністю 1 мм і появою T1-зваженої намагніченості. -підготовлений швидкий градієнт-луна (MP-RAGE) отримання. Описуючи своє дослідження підтвердження концепції в Радіологія, дослідники повідомляють, що синтетичні зображення показали високу кореляцію із зображеннями, отриманими МРТ-сканерами 1.5 Т і 3.0 Тл.

Морфометрія, кількісний аналіз розмірів і форми структур на зображенні, є центральною для багатьох досліджень нейровізуалізації. На жаль, більшість інструментів МРТ-аналізу розроблені для отримання майже ізотропних даних із високою роздільною здатністю та зазвичай вимагають Т1-зважених зображень, таких як MP-RAGE. Їх продуктивність часто швидко падає зі збільшенням розміру вокселя та анізотропії. Оскільки переважна більшість існуючих клінічних МРТ сканувань є високоанізотропними, їх неможливо надійно проаналізувати за допомогою існуючих інструментів.

«Щороку виготовляються мільйони МРТ-зображень мозку з низькою роздільною здатністю, але наразі їх неможливо проаналізувати за допомогою програмного забезпечення нейровізуалізації», — пояснює головний дослідник Хуан Еухеніо Іглесіас. «Головна мета мого нинішнього дослідження — розробити алгоритми, завдяки яким МРТ-зображення мозку з низькою роздільною здатністю виглядатимуть як МРТ-сканування високої роздільної здатності, які ми використовуємо в дослідженнях. Мене особливо цікавлять два додатки: автоматичний 3D-аналіз клінічних сканів і використання з портативними МРТ-сканерами з низьким полем».

Навчання та тестування

LF-SynthSR побудовано на SynthSR, методі, розробленому групою для навчання CNN прогнозувати ізотропне сканування MP-RAGE із роздільною здатністю 1 мм на основі рутинних клінічних МРТ-сканувань. Попередні висновки повідомлені в NeuroImage показали, що зображення, створені SynthSR, можна надійно використовувати для підкіркової сегментації та об’єму, реєстрації зображень і, якщо виконуються деякі вимоги до якості, навіть для морфометрії товщини кори.

І LF-SynthSR, і SynthSR навчаються на синтетичних вхідних зображеннях дуже різного вигляду, створених із 3D-сегментації, і, таким чином, можуть використовуватися для навчання CNN для будь-якої комбінації контрастності, роздільної здатності та орієнтації.

Іглесіас зазначає, що нейронні мережі працюють найкраще, коли дані виглядають приблизно постійними, але кожна лікарня використовує сканери від різних постачальників, які налаштовані по-різному, що призводить до дуже неоднорідних сканувань. «Щоб вирішити цю проблему, ми запозичуємо ідеї з області машинного навчання під назвою «рандомізація домену», де ви тренуєте нейронні мережі за допомогою синтетичних зображень, які симулюються для постійної зміни зовнішнього вигляду та роздільної здатності, щоб отримати навчені мережі, які не залежать від зовнішній вигляд вхідних зображень», – пояснює він.

Щоб оцінити продуктивність LF-SynthSR, дослідники співвіднесли вимірювання морфології мозку між синтетичними МРТ і реальними зображеннями високої напруженості поля. Для навчання вони використовували набір даних магнітно-резонансної томографії високої напруженості 1-мм ізотропного сканування MP-RAGE від 20 суб’єктів. Вони також використали відповідну сегментацію 36 цікавих областей мозку (ROI) і трьох екстрацеребральних ROI. Навчальний набір також був штучно розширений для кращого моделювання патологічних тканин, таких як інсульт або кровотеча.

Тестовий набір включав дані візуалізації від 24 учасників з неврологічними симптомами, які мали сканування з низькою напруженістю поля (0.064 Тл) на додаток до стандартної медичної допомоги МРТ із високою напруженістю поля (1.5–3 Тл). Алгоритм успішно створив 1-мм ізотропні синтетичні MP-RAGE зображення з МРТ мозку з низькою інтенсивністю поля, з вокселями більш ніж у 10 разів меншими, ніж у вихідних даних. Автоматизована сегментація синтетичних зображень з остаточної вибірки з 11 учасників дала об’єми ROI, які сильно корелювали з об’ємами, отриманими за допомогою МР-сканування з високою напруженістю поля.

«LF-SynthSR може покращити якість зображення МРТ-сканування з низькою інтенсивністю поля до такої міри, що їх можна буде використовувати не тільки за допомогою автоматизованих методів сегментації, але й потенційно також за допомогою алгоритмів реєстрації та класифікації», — пишуть дослідники. «Це також може бути використано для посилення виявлення аномальних уражень».

Ця здатність аналізувати МРТ мозку з низькою роздільною здатністю за допомогою автоматизованої морфометрії дозволить вивчати рідкісні захворювання та популяції, які недостатньо представлені в сучасних дослідженнях нейровізуалізації. Крім того, покращення якості зображень із портативних МРТ-сканерів сприятиме їх використанню в районах із недостатнім медичним обслуговуванням, а також у інтенсивній медичній допомозі, де переміщення пацієнтів до кабінету МРТ часто є занадто ризикованим.

Портативна МРТ діагностує інсульт біля ліжка пацієнта

Іглесіас каже, що ще однією проблемою є широкий спектр аномалій, виявлених під час клінічних сканувань, які повинні розглядатися CNN. «Наразі SynthSR добре працює зі здоровим мозком, випадками атрофії та меншими аномаліями, такими як невеликі ураження розсіяного склерозу або невеликі інсульти», — розповідає він. Світ фізики. «Зараз ми працюємо над удосконаленням методу, щоб він міг ефективно боротися з більшими ураженнями, такими як великі інсульти або пухлини».

Напис у супровідній редакційній статті в Радіологія, Біргіт Ертль-Вагнер та Маттіас Вагнер від Лікарня для хворих дітей у коментарі в Торонто: «Це захоплююче дослідження технічних розробок демонструє потенціал для зниження напруженості поля та досягнення високої просторової та контрастної роздільної здатності за допомогою штучного інтелекту».

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
• джерело: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/