AI کم فیلڈ طاقت والے MR اسکینوں سے ہائی ریزولوشن دماغ کی تصاویر بناتا ہے۔

پورٹیبل، کم فیلڈ طاقت والے MRI سسٹمز نیورو امیجنگ کو تبدیل کرنے کی صلاحیت رکھتے ہیں - بشرطیکہ ان کی کم مقامی ریزولوشن اور کم سگنل ٹو شور (SNR) تناسب پر قابو پایا جا سکے۔ پر محققین ہارورڈ میڈیکل سکول اس مقصد کو حاصل کرنے کے لیے مصنوعی ذہانت (AI) کا استعمال کر رہے ہیں۔ انہوں نے ایک مشین لرننگ سپر ریزولوشن الگورتھم تیار کیا ہے جو کم ریزولوشن دماغ کے ایم آر آئی اسکینوں سے اعلی مقامی ریزولوشن کے ساتھ مصنوعی تصاویر تیار کرتا ہے۔

Convolutional Neural Network (CNN) الگورتھم، جسے LF-SynthSR کہا جاتا ہے، کم فیلڈ طاقت (0.064 T) T1- اور T2-وزن والے دماغ کے MRI تسلسل کو 1 ملی میٹر مقامی ریزولوشن اور T1-ویٹڈ میگنیٹائزیشن کے ساتھ آئسوٹروپک امیجز میں تبدیل کرتا ہے۔ -تیار شدہ ریپڈ گریڈینٹ ایکو (MP-RAGE) حصول۔ میں ان کے ثبوت کے تصور کے مطالعہ کو بیان کرنا ریڈیولاجی، محققین نے رپورٹ کیا کہ مصنوعی تصاویر نے 1.5 T اور 3.0 T MRI سکینرز کے ذریعہ حاصل کردہ تصاویر کے ساتھ اعلی ارتباط کا مظاہرہ کیا۔

مورفومیٹری، ایک تصویر میں ساخت کا مقداری سائز اور شکل کا تجزیہ، بہت سے نیورو امیجنگ اسٹڈیز میں مرکزی حیثیت رکھتا ہے۔ بدقسمتی سے، زیادہ تر ایم آر آئی تجزیہ کے ٹولز قریبی آئسوٹروپک، ہائی ریزولوشن کے حصول کے لیے بنائے گئے ہیں اور عام طور پر T1 وزنی تصاویر جیسے MP-RAGE کی ضرورت ہوتی ہے۔ ان کی کارکردگی اکثر تیزی سے گرتی ہے کیونکہ ووکسیل سائز اور انیسوٹروپی میں اضافہ ہوتا ہے۔ چونکہ موجودہ کلینیکل ایم آر آئی اسکینوں کی اکثریت انتہائی انیسوٹروپک ہے، اس لیے ان کا موجودہ ٹولز کے ساتھ قابل اعتماد تجزیہ نہیں کیا جا سکتا۔

"ہر سال لاکھوں کم ریزولوشن دماغ کی ایم آر تصاویر تیار کی جاتی ہیں، لیکن فی الحال نیورو امیجنگ سافٹ ویئر کے ساتھ ان کا تجزیہ نہیں کیا جا سکتا،" پرنسپل تفتیش کار بتاتے ہیں۔ جوآن یوجینیو ایگلیسیاس. "میری موجودہ تحقیق کا بنیادی مقصد الگورتھم تیار کرنا ہے جو کم ریزولوشن والے دماغ کی ایم آر امیجز کو ہائی ریزولوشن والے ایم آر آئی اسکینوں کی طرح دکھائے جو ہم تحقیق میں استعمال کرتے ہیں۔ میں خاص طور پر دو ایپلی کیشنز میں دلچسپی رکھتا ہوں: کلینیکل اسکینوں کے خودکار 3D تجزیہ کو فعال کرنا اور پورٹیبل، کم فیلڈ ایم آر آئی اسکینرز کے ساتھ استعمال کرنا۔"

تربیت اور جانچ

LF-SynthSR SynthSR پر بنایا گیا ہے، ایک طریقہ جو ٹیم نے CNN کو تربیت دینے کے لیے تیار کیا ہے تاکہ روٹین کے کلینیکل MR اسکینوں سے 1 ملی میٹر ریزولوشن MP-RAGE isotropic اسکینوں کی پیشن گوئی کی جا سکے۔ پچھلے نتائج میں رپورٹ کیا گیا ہے نیورو امیج ظاہر ہوا کہ SynthSR سے تیار کردہ تصاویر کو subcortical segmentation اور Volumetry، امیج رجسٹریشن اور، اگر کچھ معیار کے تقاضوں کو پورا کیا جاتا ہے، یہاں تک کہ cortical موٹائی کی morphometry کے لیے قابل اعتماد طریقے سے استعمال کیا جا سکتا ہے۔

LF-SynthSR اور SynthSR دونوں کو 3D حصوں سے پیدا ہونے والی انتہائی مختلف شکل کی مصنوعی ان پٹ امیجز پر تربیت دی جاتی ہے، اور اس طرح ان کا استعمال CNNs کو کنٹراسٹ، ریزولوشن اور واقفیت کے کسی بھی امتزاج کے لیے تربیت دینے کے لیے کیا جا سکتا ہے۔

ایگلیسیاس بتاتے ہیں کہ جب ڈیٹا تقریباً مستقل طور پر ظاہر ہوتا ہے تو اعصابی نیٹ ورک بہترین کارکردگی کا مظاہرہ کرتے ہیں، لیکن ہر ہسپتال مختلف دکانداروں کے اسکینرز کا استعمال کرتا ہے جو مختلف طریقے سے ترتیب دیے جاتے ہیں، جس کے نتیجے میں انتہائی متضاد اسکین ہوتے ہیں۔ "اس مسئلے سے نمٹنے کے لیے، ہم 'ڈومین رینڈمائزیشن' نامی مشین لرننگ کے شعبے سے آئیڈیاز مستعار لے رہے ہیں، جہاں آپ نیورل نیٹ ورکس کو مصنوعی امیجز کے ساتھ تربیت دیتے ہیں جو کہ ظاہری شکل اور ریزولیوشن کو مسلسل تبدیل کرنے کے لیے بنائے جاتے ہیں، تاکہ تربیت یافتہ نیٹ ورکس حاصل کیے جا سکیں جو کہ اناوسٹک ہیں۔ ان پٹ امیجز کی ظاہری شکل،" وہ بتاتے ہیں۔

LF-SynthSR کی کارکردگی کا جائزہ لینے کے لیے، محققین نے مصنوعی MRIs اور زمینی سچائی کی اعلیٰ فیلڈ طاقت کی تصاویر کے درمیان دماغی شکل کی پیمائش کو جوڑ دیا۔ تربیت کے لیے، انہوں نے 1 مضامین سے 20-mm isotropic MP-RAGE اسکینوں کا ایک اعلی فیلڈ طاقت MRI ڈیٹاسیٹ استعمال کیا۔ انہوں نے 36 دماغی خطوں کی دلچسپی (ROIs) اور تین extracerebral ROIs کے متعلقہ حصوں کا بھی استعمال کیا۔ تربیتی سیٹ کو مصنوعی طور پر بہتر ماڈل پیتھولوجک ٹشو جیسے فالج یا ہیمرج کے لیے بھی بڑھایا گیا تھا۔

ٹیسٹ سیٹ میں اعصابی علامات کے حامل 24 شرکاء کے امیجنگ ڈیٹا پر مشتمل تھا جن کی نگہداشت کی معیاری اعلی فیلڈ طاقت (0.064–1.5 T) MRI کے علاوہ کم فیلڈ کی طاقت (3 T) اسکین تھی۔ الگورتھم نے کامیابی کے ساتھ 1-mm isotropic synthetic MP-RAGE تصاویر کم فیلڈ طاقت والے دماغ MRIs سے تیار کیں، جن میں ووکسلز اصل ڈیٹا سے 10 گنا زیادہ چھوٹے ہیں۔ 11 شرکاء کے حتمی نمونے سے مصنوعی امیجز کی خودکار تقسیم نے ROI والیومس حاصل کیں جو اعلیٰ فیلڈ طاقت کے MR اسکینوں سے اخذ کردہ تصاویر کے ساتھ بہت زیادہ مربوط تھیں۔

محققین لکھتے ہیں، "LF-SynthSR کم فیلڈ طاقت والے MRI اسکینوں کے امیج کوالٹی کو اس حد تک بہتر بنا سکتا ہے کہ وہ نہ صرف خودکار سیگمنٹیشن طریقوں سے بلکہ ممکنہ طور پر رجسٹریشن اور درجہ بندی الگورتھم کے ساتھ بھی قابل استعمال ہیں۔" "یہ غیر معمولی گھاووں کی نشاندہی کو بڑھانے کے لیے بھی استعمال کیا جا سکتا ہے۔"

خودکار مورفومیٹری کا استعمال کرتے ہوئے کم ریزولوشن دماغی MRIs کا تجزیہ کرنے کی یہ صلاحیت نایاب بیماریوں اور آبادیوں کے مطالعہ کو قابل بنائے گی جو موجودہ نیورو امیجنگ ریسرچ میں کم پیش کی گئی ہیں۔ مزید برآں، پورٹیبل MRI سکینرز سے تصاویر کے معیار کو بہتر بنانے سے طبی طور پر غیر محفوظ علاقوں کے ساتھ ساتھ نازک نگہداشت میں بھی ان کے استعمال میں اضافہ ہو گا، جہاں مریضوں کو MRI سویٹ میں لے جانا اکثر خطرناک ہوتا ہے۔

پورٹ ایبل ایم آر آئی مریض کے پلنگ پر فالج کی تشخیص کرتا ہے۔

Iglesias کا کہنا ہے کہ ایک اور چیلنج کلینیکل اسکینوں میں پائی جانے والی اسامانیتاوں کی وسیع رینج ہے جسے CNN کو سنبھالنے کی ضرورت ہے۔ "فی الحال، SynthSR صحت مند دماغوں، ایٹروفی کے کیسز، اور چھوٹی اسامانیتاوں جیسے چھوٹے ایک سے زیادہ سکلیروسیس کے گھاووں یا چھوٹے اسٹروک کے ساتھ اچھی طرح کام کرتا ہے،" وہ بتاتا ہے۔ طبیعیات کی دنیا. "ہم فی الحال اس طریقہ کار کو بہتر بنانے کے لیے کام کر رہے ہیں تاکہ یہ مؤثر طریقے سے بڑے گھاووں، جیسے بڑے اسٹروک یا ٹیومر سے نمٹ سکے۔"

میں ایک ساتھی اداریہ میں لکھنا ریڈیولاجی, برجٹ ارٹل ویگنر اور میتھیاس ویگنر سے بیمار بچوں کے لئے ہسپتال ٹورنٹو میں تبصرہ: "یہ دلچسپ تکنیکی ترقی کا مطالعہ مصنوعی ذہانت کا استعمال کرتے ہوئے فیلڈ کی طاقت کو کم کرنے اور مقامی اور کنٹراسٹ ریزولوشن کے لیے اعلیٰ مقصد کی صلاحیت کو ظاہر کرتا ہے۔"

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/