Глубокое обучение уменьшает артефакты движения при краниоцервикальной ангиографии

Артефакты движения во время медицинской визуализации, особенно при краниоцервикальной ангиографии, создают значительные проблемы для точной диагностики и планирования лечения. Цифровая субтракционная ангиография (DSA), широко используемый метод, страдает от ухудшения изображения, вызванного движением пациента. Это приводит к увеличению воздействия радиации и увеличению времени процедуры из-за повторных сеансов визуализации. Традиционные методы уменьшения артефактов движения в DSA основаны на вычислительно интенсивных алгоритмах, которые с трудом работают в режиме реального времени. Однако разработка методов деформируемой регистрации на основе глубокого обучения предлагает многообещающее решение . В недавней статье Radiology Advances исследовалось, как деформируемая регистрация в сочетании с неконтролируемым глубоким обучением может значительно уменьшить артефакты движения в краниоцервикальной ангиографии, улучшая качество изображения без ущерба для пространственного разрешения.

Справочная информация об артефактах движения и традиционных решениях

Артефакты движения в DSA возникают, когда есть несовпадение между фоновыми изображениями до контрастирования и постконтрастными кадрами, что приводит к размытости или искажению изображений кровеносных сосудов. Произвольные или непроизвольные движения пациента могут вызвать это несовпадение из-за дыхания или сердечной деятельности. Полученные артефакты ухудшают качество изображения, что может скрыть важные сосудистые детали и поставить под угрозу точность диагностики.

Традиционные методы устранения этих артефактов включают алгоритмы регистрации изображений на основе ключевых точек, которые применяют жесткие или эластичные преобразования для выравнивания фоновых и постконтрастных изображений. Однако эти методы имеют несколько ограничений. Во-первых, они часто требуют больших вычислительных затрат, требуя итеративных процессов оптимизации, что делает применение в реальном времени непрактичным. Во-вторых, хотя эти алгоритмы могут уменьшать артефакты движения, они часто вносят новые искажения или не сохраняют мелкие сосудистые детали, необходимые для точной диагностики. В результате эти методы имеют ограниченную эффективность в клинических условиях, что требует разработки более продвинутых решений.

Глубокое обучение для деформируемой регистрации в ангиографии

Появление глубокого обучения, в основном моделей неконтролируемого обучения, открыло новые возможности для улучшения регистрации изображений в DSA. Деформируемая модель регистрации, построенная на основе фреймворка HyperMorph, представляет собой быстрый и эффективный метод уменьшения артефактов движения в краниоцервикальной ангиографии. В отличие от традиционных методов регистрации, модели на основе глубокого обучения могут адаптироваться к сложным, нежестким деформациям, часто наблюдаемым в медицинской визуализации из-за изменчивости движений пациента.

Ключевым новшеством в этом подходе является введение пользовательских функций потерь, которые повышают способность модели обрабатывать наличие йодированного контраста в кровеносных сосудах. Оценивая слой сосудов и исключая этот слой из процесса вычитания фона, модель может лучше сосредоточиться на выравнивании фоновой ткани, сохраняя при этом мелкие детали сосудистых структур. Это приводит к более четким и точным изображениям, свободным от артефактов неправильной регистрации, которые обычно наблюдаются в традиционном DSA.

Еще одним преимуществом глубокого обучения для деформируемой регистрации является скорость модели. В отличие от традиционных методов, требующих итеративной оптимизации для каждого кадра, модель фоновой субтракционной ангиографии (BSA) на основе обучения может обрабатывать каждый кадр всего за 30 миллисекунд. Это делает ее пригодной для применения в реальном времени, значительно снижая необходимость в повторных сеансах визуализации во время клинических процедур.

Клиническая оценка и преимущества модели

Эффективность модели деформируемой регистрации на основе глубокого обучения оценивалась с помощью серии тестов, включающей 516 исследований, включающих более 5000 ангиографических серий. В этих тестах изображения, обработанные с использованием модели глубокого обучения, сравнивались с изображениями, обработанными с помощью традиционных методов DSA. Три интервенционных нейрорадиолога проанализировали результаты, предоставив слепые рейтинги и баллы по шкале Лайкерта для оценки сосудистой точности, артефактов вычитания и общего качества изображения.

Результаты этой оценки были весьма обнадеживающими. Модель глубокого обучения значительно превзошла традиционную DSA, особенно в снижении артефактов вычитания и улучшении точности сосудистой визуализации. По пятибалльной шкале Лайкерта основанная на обучении BSA последовательно набирала более высокие баллы по всем категориям, а общее качество изображения улучшилось с 2,1 (для традиционной DSA) до 3,9 (для основанной на обучении модели). Это заметное улучшение демонстрирует потенциал глубокого обучения для революции в ангиографической визуализации, предлагая врачам более четкие и надежные изображения для диагностических целей.

Помимо улучшения качества изображения, модель глубокого обучения также имеет потенциал для сокращения времени процедуры и воздействия радиации. В ходе оценки потребность в повторных получениях данных была снижена до 87%, поскольку модель смогла исправить артефакты движения в режиме реального времени. Это сокращение повторных сеансов визуализации напрямую приводит к сокращению продолжительности процедур, меньшему использованию контрастного вещества и более низким дозам облучения для пациентов — критические факторы для повышения безопасности и комфорта пациентов.

Ограничения и будущие направления

Хотя результаты модели деформируемой регистрации на основе глубокого обучения являются многообещающими, необходимо учитывать несколько ограничений. Во-первых, производительность модели оценивалась в первую очередь в контексте краниоцервикальной ангиографии. Неясно, насколько хорошо модель будет обобщаться на другие анатомические области или методы визуализации, такие как абдоминальная ангиография или кардиологическая визуализация, где артефакты движения могут представлять различные проблемы. Будущие исследования должны изучить применимость модели в этих условиях, чтобы определить ее более широкую клиническую полезность.

Другим ограничением является зависимость модели от 2D-деформируемой регистрации. Хотя этот подход эффективно решает проблему движения в плоскости, он может испытывать трудности при учете более сложного 3D-движения на флюороскопических изображениях. Это особенно актуально в случаях, когда пациенты двигаются в нескольких направлениях во время процесса визуализации. Будущие исследования могут быть сосредоточены на интеграции методов 3D-регистрации для дальнейшего повышения надежности и точности модели в более широком диапазоне клинических сценариев.

Кроме того, успех модели зависит от тщательно настроенных гиперпараметров, которые были оптимизированы для конкретного набора данных, использованного в этом исследовании. Различные системы визуализации, контрастные вещества или популяции пациентов могут потребовать различных настроек гиперпараметров для достижения оптимальных результатов. Будущие усилия должны изучить адаптивность модели к различным клиническим средам и группам пациентов.

Заключение

Деформируемая регистрация на основе глубокого обучения предлагает мощный инструмент для уменьшения артефактов движения в краниоцервикальной ангиографии. Эта модель значительно улучшает качество изображения и снижает необходимость в повторных сеансах визуализации за счет использования неконтролируемых методов обучения и пользовательских функций потерь. Клиническая оценка модели продемонстрировала ее эффективность в повышении точности сосудов и снижении артефактов вычитания, что делает ее ценным активом для нейрорадиологов. Несмотря на ограничения текущего подхода, текущие исследования и разработки обладают потенциалом для расширения применимости модели и улучшения ее производительности в более широком диапазоне клинических сценариев. В будущем интеграция моделей глубокого обучения в рутинные клинические рабочие процессы может привести к более безопасным и эффективным процедурам визуализации с лучшими результатами диагностики пациентов.

Источник:  Radiology Advances