Модель ИИ для шумоподавления для ускоренной параллельной МРТ мозга
Магнитно-резонансная томография (МРТ) является важным диагностическим инструментом, который обеспечивает получение подробных изображений внутренних структур, особенно мозга. Однако традиционные процессы МРТ имеют ограничения, такие как длительное время сканирования и шум изображения, которые могут ухудшить качество изображения. Параллельные методы визуализации помогли ускорить МРТ-сканирование, но при высоких скоростях ускорения изображения часто страдают от шума и артефактов. Чтобы преодолеть эти проблемы, появились новые достижения искусственного интеллекта (ИИ), предлагающие решения, которые могут значительно улучшить МРТ-визуализацию. В недавней статье, опубликованной в Radiology Advances, рассматривается, как метод шумоподавления с глубоким обучением может улучшить качество высокоускоренных параллельных МРТ-сканирований, сосредоточившись на визуализации мозга и сократив время сканирования без ущерба для точности диагностики.
Шумоподавление на основе ИИ в МРТ: обзор
Параллельные методы визуализации, такие как Sensitivity Encoding (SENSE) и Generalised Autocalibrating Partially Parallel Acquisitions (GRAPPA), уже давно используются для ускорения МРТ путем одновременного получения нескольких каналов данных. Однако эти методы вносят шум и артефакты наложения спектров по мере увеличения коэффициентов ускорения. Глубокое обучение появилось как решение этой проблемы, в частности, для шумоподавления зашумленных изображений. В отличие от традиционных методов, которые полагаются на собственные необработанные данные для реконструкции изображений, методы шумоподавления на основе ИИ работают в области изображения. Такой подход упрощает процесс и делает его применимым для нескольких поставщиков МРТ.
Модель шумоподавления на основе ИИ, описанная в этом исследовании, работает как двухэтапный процесс. На первом этапе изображения МРТ получаются с высоким коэффициентом ускорения. Из-за недостаточной выборки эти изображения часто страдают от шума и незначительных артефактов. На втором этапе применяется модель глубокого обучения для исправления этих искажений. Обучаясь на широком спектре изображений с имитированными шаблонами шума, модель может устранять шум, сохраняя при этом важные анатомические детали, что приводит к изображениям высокого диагностического качества.
Клиническая оценка и обработка данных
Оценка этой модели шумоподавления на основе ИИ проводилась с использованием как ретроспективных, так и проспективных данных. Ретроспективные данные, охватывающие шестилетний период, были получены из более чем 2000 исследований МРТ, в то время как проспективные данные были собраны у 200 субъектов в клинических условиях. Эти наборы данных включали изображения с различных моделей сканеров и поставщиков, что обеспечивало обобщаемость результатов. Модель ИИ была обучена обрабатывать распространенные типы деградации, такие как шум Райса и артефакты наложения, которые часто сопровождают ускоренную параллельную визуализацию.
Чтобы убедиться в достоверности производительности модели, ее протестировали на подмножестве перспективных сканирований, сравнивая изображения с высоким ускорением, улучшенные с помощью ИИ, с исходными изображениями с низким ускорением. Клиническая оценка была сосредоточена на таких метриках, как отношение сигнал/шум (SNR), отношение контрастности к шуму (CNR) и пространственное разрешение. Пять рентгенологов просмотрели улучшенные изображения, оценив как качественные, так и количественные метрики, чтобы подтвердить эффективность модели ИИ в снижении шума и улучшении качества изображений.
Основные результаты и выводы
Результаты исследования продемонстрировали значительные улучшения как качества изображений, так и эффективности. В среднем время сканирования для ускоренных последовательностей сократилось примерно на 29%, при этом сокращение времени сканирования составило от 19% до 41% в зависимости от последовательности и модели сканера. Изображения, улучшенные с помощью ИИ, последовательно улучшали SNR, CNR и пространственное разрешение, несмотря на более высокие коэффициенты ускорения. Изображения, улучшенные с помощью ИИ, часто превосходили качество стандартных изображений с низким ускорением с точки зрения диагностической ясности.
Одним из самых убедительных результатов стала способность изображений, улучшенных с помощью ИИ, сохранять или даже улучшать видимость критических анатомических структур и патологий. Рентгенологи оценили изображения, улучшенные с помощью ИИ, как не хуже или лучше базовых изображений по большинству качественных критериев, включая шум изображения, уменьшение артефактов и видимость патологии. Модель ИИ была особенно эффективна в сохранении четкости небольших анатомических структур, таких как борозды и поражения белого вещества, которые имеют решающее значение для точной диагностики при визуализации мозга.
Количественные измерения SNR и CNR дополнительно подтвердили эти выводы. Изображения, улучшенные с помощью ИИ, показали значительное улучшение SNR, увеличившись в среднем с 39 на входных изображениях до 64 на улучшенных изображениях. Аналогично значения CNR выросли с 11 до 16 после обработки с помощью ИИ. Эти улучшения имеют решающее значение для поддержания диагностической целостности изображений, поскольку более высокие значения SNR и CNR приводят к более четким и различимым анатомическим особенностям.
Проблемы и будущие направления
Хотя результаты исследования были многообещающими, все еще есть проблемы и ограничения, которые необходимо решить в будущем. Модель шумоподавления на основе ИИ была протестирована только на трех последовательностях МРТ мозга при напряженности поля 3 Тесла (3Т), что ограничивает ее текущее применение. Кроме того, факторы ускорения, протестированные в исследовании, были ограничены коммерческим программным обеспечением сканера, которое, как правило, ограничивает максимальное ускорение, допускаемое традиционными алгоритмами реконструкции параллельных изображений.
Необходимы дальнейшие разработки для распространения этой техники шумоподавления на основе ИИ на другие анатомические области, ориентации и контрасты. Кроме того, будущие исследования должны быть сосредоточены на обобщении метода для более низких напряженностей поля, таких как МРТ 1,5 Тесла (1,5 Тл), которая широко используется в клинической практике. Другая область интереса — расширение факторов ускорения за пределы тех, которые были протестированы в этом исследовании, что может привести к еще более значительному сокращению времени сканирования.
Более того, модель ИИ исследования была обучена на ретроспективных данных с имитацией шума и артефактов. Хотя результаты перспективных клинических испытаний были весьма позитивными, важно продолжать проверку модели в различных клинических условиях. Это гарантирует, что метод шумоподавления ИИ сможет справиться с реальными вариациями в протоколах визуализации, аппаратном обеспечении сканера и популяциях пациентов.
Интеграция шумоподавления на основе ИИ в ускоренную параллельную МРТ представляет собой значительный прогресс в технологии медицинской визуализации. Применяя методы глубокого обучения для исправления шумов и артефактов наложения спектров, этот метод обеспечивает более быстрое время сканирования без ущерба для качества изображения. Изображения, улучшенные ИИ, часто превосходили по качеству традиционные изображения с низким ускорением, демонстрируя потенциал ИИ для революции в диагностике МРТ.
Этот подход, не зависящий от поставщика, обещает широкое внедрение в различные системы МРТ, предлагая такие преимущества, как снижение затрат, повышение комфорта для пациента и повышение точности диагностики. Будущие исследования будут направлены на расширение применимости этой методики к другим анатомическим областям и дальнейшее улучшение ее производительности в клинических условиях. В заключение следует сказать, что методы шумоподавления на основе ИИ знаменуют собой захватывающий шаг вперед в развитии МРТ, сочетающий скорость с высококачественными результатами диагностики.
Источник: Radiology Advances
