人工智能通过低场强 MR 扫描创建高分辨率大脑图像

由柏拉图重新发布

关注： 0

MR图像变换 — **图像变换** 使用便携式低场 Hyperfine MRI 扫描仪获取的脑部扫描切片（顶行）和 LF-SynthSR 算法输出的相应切片（底行）。 Hyperfine 扫描具有 1.6 x 1.6 x 5 毫米的轴向分辨率，而生成的合成图像具有 1 毫米的各向同性分辨率，并且可以使用自动形态测量工具进行 3D 分析。（礼貌：胡安·尤金尼奥·伊格莱西亚斯）

便携式低场强 MRI 系统有可能改变神经影像学——前提是可以克服它们的低空间分辨率和低信噪比 (SNR)。研究人员在哈佛医学院正在利用人工智能 (AI) 来实现这一目标。他们开发了一种机器学习超分辨率算法，可以从较低分辨率的大脑 MRI 扫描中生成具有高空间分辨率的合成图像。

称为 LF-SynthSR 的卷积神经网络 (CNN) 算法将低场强 (0.064 T) T1 和 T2 加权脑 MRI 序列转换为具有 1 mm 空间分辨率和 T1 加权磁化外观的各向同性图像-准备好的快速梯度回波 (MP-RAGE) 采集。描述他们的概念验证研究 放射线学，研究人员报告说，合成图像与 1.5 T 和 3.0 T MRI 扫描仪获取的图像表现出高度相关性。

形态测量学是对图像结构进行定量大小和形状分析，是许多神经影像学研究的核心。不幸的是，大多数 MRI 分析工具都是为近各向同性的高分辨率采集而设计的，通常需要 T1 加权图像，例如 MP-RAGE。随着体素大小和各向异性的增加，它们的性能通常会迅速下降。由于绝大多数现有的临床 MRI 扫描具有高度各向异性，因此无法使用现有工具对其进行可靠分析。

“每年都会产生数百万张低分辨率脑部 MR 图像，但目前无法使用神经影像学软件进行分析，”首席研究员解释说胡安·尤金尼奥·伊格莱西亚斯. “我目前研究的主要目标是开发算法，使低分辨率大脑 MR 图像看起来像我们在研究中使用的高分辨率 MRI 扫描。我对两个应用特别感兴趣：启用临床扫描的自动 3D 分析，以及与便携式低场 MRI 扫描仪一起使用。”

培训和测试

LF-SynthSR 建立在 SynthSR 之上，SynthSR 是该团队开发的一种方法，用于训练 CNN 从常规临床 MR 扫描中预测 1 毫米分辨率的 MP-RAGE 各向同性扫描。先前的调查结果报告于 “神经成像” 表明 SynthSR 生成的图像可以可靠地用于皮层下分割和体积测量、图像配准，如果满足某些质量要求，甚至可以用于皮层厚度形态测量。

LF-SynthSR 和 SynthSR 都在 3D 分割生成的具有高度不同外观的合成输入图像上进行训练，因此可用于训练 CNN 以实现对比度、分辨率和方向的任意组合。

Iglesias 指出，当数据看起来大致恒定时，神经网络表现最佳，但每家医院都使用来自不同供应商的扫描仪，这些扫描仪配置不同，导致扫描高度异质。 “为了解决这个问题，我们借鉴了称为‘域随机化’的机器学习领域的想法，在该领域中，您使用合成图像训练神经网络，这些图像被模拟为不断改变外观和分辨率，以获得不可知的训练网络输入图像的外观，”他解释道。

为了评估 LF-SynthSR 的性能，研究人员将合成 MRI 和地面真实高场强图像之间的大脑形态学测量结果相关联。为了进行训练，他们使用了来自 1 名受试者的 20 毫米各向同性 MP-RAGE 扫描的高场强 MRI 数据集。他们还使用了 36 个大脑感兴趣区域 (ROI) 和三个脑外 ROI 的相应分割。训练集也被人为地增强，以更好地模拟病理组织，如中风或出血。

测试集包含来自 24 名具有神经系统症状的参与者的成像数据，除了标准护理高场强 (0.064–1.5 T) MRI 之外，他们还进行了低场强 (3 T) 扫描。该算法成功地从低场强脑 MRI 生成 1 毫米各向同性合成 MP-RAGE 图像，体素比原始数据小 10 倍以上。对来自 11 名参与者的最终样本的合成图像进行自动分割，产生的 ROI 体积与高场强 MR 扫描得出的 ROI 体积高度相关。

研究人员写道：“LF-SynthSR 可以提高低场强 MRI 扫描的图像质量，使它们不仅可以用于自动分割方法，还可以用于配准和分类算法。” “它也可以用来增强异常病变的检测。”

这种使用自动形态测量法分析低分辨率脑部 MRI 的能力将使研究在当前神经影像学研究中代表性不足的罕见疾病和人群成为可能。此外，提高便携式 MRI 扫描仪的图像质量将增强它们在医疗服务不足的地区以及重症监护中的使用，在这些领域，将患者转移到 MRI 套件通常风险太大。