Các hệ thống MRI di động, cường độ trường thấp có khả năng biến đổi hình ảnh thần kinh - với điều kiện là có thể khắc phục được độ phân giải không gian thấp và tỷ lệ tín hiệu trên tạp âm (SNR) thấp. Các nhà nghiên cứu tại Harvard Medical School đang khai thác trí tuệ nhân tạo (AI) để đạt được mục tiêu này. Họ đã phát triển một thuật toán siêu phân giải bằng máy học để tạo ra các hình ảnh tổng hợp có độ phân giải không gian cao từ các bản quét MRI não có độ phân giải thấp hơn.

Thuật toán mạng thần kinh tích chập (CNN), được gọi là LF-SynthSR, chuyển đổi các chuỗi MRI não có cường độ trường thấp (0.064 T) T1 và T2 thành các hình ảnh đẳng hướng với độ phân giải không gian 1 mm và sự xuất hiện của từ hóa có trọng số T1 -Chuẩn bị thu nhận gradient-echo (MP-RAGE) nhanh chóng. Mô tả nghiên cứu bằng chứng về khái niệm của họ trong Radiology, các nhà nghiên cứu báo cáo rằng hình ảnh tổng hợp thể hiện mối tương quan cao với hình ảnh thu được từ máy quét MRI 1.5 T và 3.0 T.

Hình thái học, kích thước định lượng và phân tích hình dạng của các cấu trúc trong một hình ảnh, là trọng tâm của nhiều nghiên cứu về hình ảnh thần kinh. Thật không may, hầu hết các công cụ phân tích MRI được thiết kế để thu ảnh gần như đẳng hướng, độ phân giải cao và thường yêu cầu hình ảnh có trọng số T1 như MP-RAGE. Hiệu suất của chúng thường giảm nhanh chóng khi kích thước voxel và tính bất đẳng hướng tăng lên. Vì phần lớn các lần quét MRI lâm sàng hiện tại đều có tính dị hướng cao, chúng không thể được phân tích một cách đáng tin cậy bằng các công cụ hiện có.

Điều tra viên chính giải thích: “Hàng triệu hình ảnh MR não có độ phân giải thấp được tạo ra mỗi năm, nhưng hiện tại không thể phân tích được bằng phần mềm chụp ảnh thần kinh. Juan Eugenio Iglesias. “Mục tiêu chính của nghiên cứu hiện tại của tôi là phát triển các thuật toán làm cho hình ảnh MR não độ phân giải thấp trông giống như bản quét MRI độ phân giải cao mà chúng tôi sử dụng trong nghiên cứu. Tôi đặc biệt quan tâm đến hai ứng dụng: cho phép phân tích 3D tự động các lần quét lâm sàng và sử dụng với máy quét MRI trường thấp di động.”

Đào tạo và kiểm tra

LF-SynthSR được xây dựng dựa trên SynthSR, một phương pháp do nhóm phát triển để huấn luyện CNN dự đoán các bản quét đẳng hướng MP-RAGE có độ phân giải 1 mm từ các bản quét MR lâm sàng thông thường. Những phát hiện trước đây được báo cáo trong Hình ảnh thần kinh cho thấy rằng các hình ảnh do SynthSR tạo ra có thể được sử dụng một cách đáng tin cậy để phân đoạn và đo thể tích dưới vỏ não, đăng ký hình ảnh và, nếu một số yêu cầu về chất lượng được đáp ứng, thậm chí cả phép đo hình thái độ dày vỏ não.

Cả LF-SynthSR và SynthSR đều được đào tạo dựa trên các hình ảnh đầu vào tổng hợp có hình thức rất khác nhau được tạo từ các phân đoạn 3D và do đó có thể được sử dụng để đào tạo CNN về bất kỳ sự kết hợp nào giữa độ tương phản, độ phân giải và hướng.

Iglesias chỉ ra rằng các mạng thần kinh hoạt động tốt nhất khi dữ liệu xuất hiện gần như không đổi, nhưng mọi bệnh viện đều sử dụng máy quét từ các nhà cung cấp khác nhau được cấu hình khác nhau, dẫn đến kết quả quét không đồng nhất. “Để giải quyết vấn đề này, chúng tôi đang mượn ý tưởng từ một lĩnh vực học máy có tên là 'ngẫu nhiên hóa miền', nơi bạn đào tạo các mạng lưới thần kinh bằng các hình ảnh tổng hợp được mô phỏng để liên tục thay đổi hình thức và độ phân giải, nhằm thu được các mạng được đào tạo không thể tin được sự xuất hiện của các hình ảnh đầu vào,” ông giải thích.

Để đánh giá hiệu suất của LF-SynthSR, các nhà nghiên cứu đã so sánh các phép đo hình thái não giữa MRI tổng hợp và hình ảnh cường độ trường cao thực tế. Để đào tạo, họ đã sử dụng bộ dữ liệu MRI cường độ trường cao gồm các bản quét MP-RAGE đẳng hướng 1 mm từ 20 đối tượng. Họ cũng sử dụng các phân đoạn tương ứng của 36 vùng não quan tâm (ROI) và ba ROI ngoài não. Tập huấn luyện cũng được tăng cường nhân tạo để mô hình hóa mô bệnh lý tốt hơn như đột quỵ hoặc xuất huyết.

Bộ thử nghiệm bao gồm dữ liệu hình ảnh từ 24 người tham gia có các triệu chứng thần kinh được quét cường độ trường thấp (0.064 T) cùng với chụp cộng hưởng từ cường độ trường cao (1.5–3 T) theo tiêu chuẩn chăm sóc. Thuật toán đã tạo thành công hình ảnh MP-RAGE tổng hợp đẳng hướng 1 mm từ MRI não cường độ trường thấp, với voxels nhỏ hơn 10 lần so với trong dữ liệu gốc. Tự động phân đoạn hình ảnh tổng hợp từ mẫu cuối cùng gồm 11 người tham gia mang lại khối lượng ROI tương quan cao với những khối lượng thu được từ quét MR cường độ trường cao.

Các nhà nghiên cứu viết: “LF-SynthSR có thể cải thiện chất lượng hình ảnh của các lần quét MRI cường độ trường thấp đến mức chúng có thể sử dụng được không chỉ bằng các phương pháp phân đoạn tự động mà còn có khả năng bằng các thuật toán đăng ký và phân loại”. “Nó cũng có thể được sử dụng để tăng cường phát hiện các tổn thương bất thường.”

Khả năng phân tích MRI não độ phân giải thấp bằng phép đo hình thái tự động này sẽ cho phép nghiên cứu các bệnh và quần thể hiếm gặp được trình bày dưới mức trong nghiên cứu hình ảnh thần kinh hiện tại. Ngoài ra, việc cải thiện chất lượng hình ảnh từ máy quét MRI di động sẽ tăng cường sử dụng chúng ở những khu vực thiếu sự quan tâm về mặt y tế, cũng như trong chăm sóc đặc biệt, nơi mà việc chuyển bệnh nhân sang phòng chụp MRI thường quá rủi ro.

Máy MRI di động chẩn đoán đột quỵ bên giường bệnh

Iglesias nói rằng một thách thức khác là rất nhiều bất thường được tìm thấy trong các lần quét lâm sàng cần được CNN xử lý. Ông nói: “Hiện tại, SynthSR hoạt động tốt với những bộ não khỏe mạnh, những trường hợp bị teo và những bất thường nhỏ hơn như tổn thương bệnh đa xơ cứng nhỏ hoặc đột quỵ nhỏ. Thế giới vật lý. “Chúng tôi hiện đang làm việc để cải thiện phương pháp này để nó có thể xử lý hiệu quả các tổn thương lớn hơn, chẳng hạn như đột quỵ hoặc khối u lớn hơn.”

Viết trong một bài xã luận đi kèm trong Radiology, Birgit Ertl-Wagner và Matthias Wagner từ Bệnh viện cho trẻ em bị bệnh ở Toronto nhận xét: “Nghiên cứu phát triển kỹ thuật thú vị này cho thấy tiềm năng giảm cường độ trường và nhắm mục tiêu cao cho độ phân giải không gian và độ tương phản bằng cách sử dụng trí tuệ nhân tạo.”

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/