περίληψη: Οι ερευνητές ανέπτυξαν ένα μοντέλο μηχανικής μάθησης που αναβαθμίζει τις εικόνες 3T MRI για να μιμηθεί την MRI υψηλής ανάλυσης 7T, παρέχοντας βελτιωμένη λεπτομέρεια για τον εντοπισμό ανωμαλιών του εγκεφάλου. Οι συνθετικές εικόνες 7Τ αποκαλύπτουν πιο διακριτικά χαρακτηριστικά, όπως αλλοιώσεις λευκής ουσίας και υποφλοιώδεις μικροαιμορραγίες, που συχνά είναι δύσκολο να φανούν χρησιμοποιώντας τυπικά συστήματα μαγνητικής τομογραφίας.
Αυτή η προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει τη διαγνωστική ακρίβεια για καταστάσεις όπως η τραυματική εγκεφαλική βλάβη (TBI) και η σκλήρυνση κατά πλάκας (MS), αν και απαιτείται κλινική επικύρωση πριν από την ευρύτερη χρήση. Το νέο παράδειγμα μπορεί τελικά να επεκτείνει την πρόσβαση σε εικόνες υψηλής ποιότητας χωρίς την ανάγκη εξειδικευμένου εξοπλισμού. Αυτή η πρόοδος αντιπροσωπεύει μια πολλά υποσχόμενη διασταύρωση μεταξύ της τεχνητής νοημοσύνης και της τεχνολογίας ιατρικής απεικόνισης.
Βασικά στοιχεία
- Το μοντέλο AI βελτιώνει την 3T MRI για να προσεγγίσει τις λεπτομέρειες της 7T MRI.
- Οι συνθετικές εικόνες 7Τ έδειξαν σαφέστερα όρια της εγκεφαλικής βλάβης, γεγονός που βοήθησε στη διάγνωση.
- Το μοντέλο θα μπορούσε να ωφελήσει τους ασθενείς με ΤΒΙ και ΣΚΠ βελτιώνοντας την απεικόνιση των ανωμαλιών του εγκεφάλου.
πηγή: UCSF
Στη διασταύρωση της τεχνητής νοημοσύνης και της ιατρικής επιστήμης, υπάρχει ένα αυξανόμενο ενδιαφέρον για τη χρήση μηχανικής μάθησης για τη βελτίωση των δεδομένων απεικόνισης που λαμβάνονται με την τεχνολογία απεικόνισης μαγνητικού συντονισμού (MRI).
Πρόσφατες μελέτες δείχνουν ότι η μαγνητική τομογραφία υψηλού πεδίου σε 7 Tesla (7T) μπορεί να έχει σημαντικά μεγαλύτερη ανάλυση και κλινικά πλεονεκτήματα έναντι της μαγνητικής τομογραφίας υψηλού πεδίου στους 3 Τ στον εντοπισμό ανατομικών δομών που είναι σημαντικές για τον εντοπισμό και την παρακολούθηση παθολογικού ιστού, ειδικά στον εγκέφαλο.
Οι περισσότερες κλινικές εξετάσεις μαγνητικής τομογραφίας στις Ηνωμένες Πολιτείες πραγματοποιούνται χρησιμοποιώντας συστήματα μαγνητικής τομογραφίας 1,5Τ ή 3Τ. Από το 2022, τα Εθνικά Ινστιτούτα Υγείας έχουν τεκμηριώσει μόνο περίπου 100 μηχανές μαγνητικής τομογραφίας 7T που χρησιμοποιούνται για διαγνωστική απεικόνιση παγκοσμίως.
Ερευνητές από το Πανεπιστήμιο της Καλιφόρνια στο Σαν Φρανσίσκο ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης για να βελτιώσουν τις μαγνητικές τομογραφίες 3Τ συρράπτοντας εικόνες που μοιάζουν με 7Τ που προσεγγίζουν μια πραγματική μαγνητική τομογραφία 7Τ.
Το μοντέλο τους βελτίωσε την ιστοπαθολογία με μεγαλύτερη ανάλυση για κλινικές γνώσεις και αντιπροσωπεύει ένα νέο βήμα προς την αξιολόγηση κλινικών εφαρμογών συνθετικών μοντέλων MRI 7T.
Η μελέτη παρουσιάστηκε στις 7 Οκτωβρίου στο 27ο Διεθνές Συνέδριο για τον Υπολογισμό Ιατρικής Εικόνας και την Παρέμβαση υποβοηθούμενη από Υπολογιστή (MICCAI).
«Η εργασία μας παρουσιάζει ένα μοντέλο μηχανικής μάθησης για τη συγκέντρωση εικόνων μαγνητικής τομογραφίας υψηλής ποιότητας από εικόνες χαμηλής ποιότητας. Δείχνουμε πώς αυτό το σύστημα τεχνητής νοημοσύνης βελτιώνει την οπτικοποίηση και τον εντοπισμό ανωμαλιών του εγκεφάλου που καταγράφονται με τη μαγνητική τομογραφία σε τραυματικές βλάβες.
«Τα ευρήματά μας υπογραμμίζουν την υπόσχεση της τεχνητής νοημοσύνης και της μηχανικής μάθησης για τη βελτίωση της ποιότητας των ιατρικών εικόνων που λαμβάνονται από λιγότερο προηγμένα συστήματα απεικόνισης».
Η TBI και η σκλήρυνση κατά πλάκας φαίνονται καλύτερα
Οι ερευνητές του UCSF συνέλεξαν δεδομένα απεικόνισης από ασθενείς που είχαν διαγνωστεί με ήπια τραυματική εγκεφαλική βλάβη (TBI) στο UCSF. Σχεδίασαν και εκπαίδευσαν τρία μοντέλα νευρωνικών δικτύων για να εκτελούν βελτίωση εικόνας και τμηματοποίηση τρισδιάστατης εικόνας χρησιμοποιώντας τεχνητή μαγνητική τομογραφία 7Τ που δημιουργήθηκε από τυπική 3Τ MRI.
Οι εικόνες που δημιουργήθηκαν με τη χρήση των νέων μοντέλων παρείχαν βελτιωμένη ιστοπαθολογία σε ασθενείς με ήπια τραυματική εγκεφαλική βλάβη. Επέλεξαν μια τυπική περιοχή που περιέχει αλλοιώσεις λευκής ουσίας και μικροαιμορραγίες σε υποφλοιώδεις περιοχές για σύγκριση.
Διαπίστωσαν ότι ο παθολογικός ιστός ήταν ευκολότερος ορατός σε σύνθετες εικόνες 7Τ. Αυτό ήταν εμφανές στον διαχωρισμό των παρακείμενων βλαβών και στα πιο έντονα χαρακτηριστικά της υποφλοιώδους αιμορραγίας.
Επιπλέον, οι σύνθετες εικόνες 7T αποτύπωσαν καλύτερα τα διαφορετικά χαρακτηριστικά των βλαβών της λευκής ουσίας. Αυτές οι παρατηρήσεις υπογραμμίζουν επίσης την υπόσχεση χρήσης αυτής της τεχνολογίας για τη βελτίωση της διαγνωστικής ακρίβειας σε νευρολογικές διαταραχές όπως η σκλήρυνση κατά πλάκας.
Ενώ οι τεχνικές σύνθεσης που βασίζονται σε πλαίσια μηχανικής μάθησης δείχνουν εντυπωσιακές επιδόσεις, η εφαρμογή τους σε κλινικά περιβάλλοντα θα απαιτήσει εκτεταμένη επικύρωση.
Οι ερευνητές πιστεύουν ότι η μελλοντική εργασία θα πρέπει να περιλαμβάνει ολοκληρωμένη κλινική αξιολόγηση των αποτελεσμάτων του μοντέλου, κλινική αξιολόγηση των εικόνων που δημιουργούνται από το μοντέλο και ποσοτικοποίηση της αβεβαιότητας στο μοντέλο.
Σχετικά με την τεχνητή νοημοσύνη και τις ειδήσεις έρευνας νευροαπεικόνισης
συγγραφέας: Reza Abbasi-Original
πηγή: UCSF
ανακοίνωση: Reza Abbasi-Origin – UCSF
εικών: Η εικόνα πιστώθηκε στο Neuroscience News
“Ερασιτέχνης διοργανωτής. Εξαιρετικά ταπεινός web maven. Ειδικός κοινωνικών μέσων Wannabe. Δημιουργός. Thinker.”