Улучшение МРТ-визуализации мозга с помощью глубокого обучения

Магнитно-резонансная томография (МРТ) — широко используемый диагностический инструмент, который обеспечивает детальную визуализацию внутренних структур организма. Однако этот процесс часто занимает много времени, представляя экономические и практические проблемы. Попытки повысить скорость и эффективность сканирования МРТ привели к использованию параллельной визуализации (ПИ) и других методов ускорения. Тем не менее, они могут вносить шум и артефакты изображения, что ухудшает качество изображения. Недавнее исследование, опубликованное в Radiology Advances, предлагает новую технологию шумоподавления на основе глубокого обучения, разработанную для повышения качества МРТ головного мозга, полученных с использованием протоколов ускоренной визуализации.

Глубокое обучение для шумоподавления МРТ
Традиционные методы получения МРТ могут быть медленными, что приводит к увеличению времени сканирования и дискомфорту пациента. Хотя методы PI помогли сократить время сканирования, они часто вносят шум и артефакты, особенно при высоких коэффициентах ускорения. В отличие от других подходов, требующих доступа к необработанным данным, предлагаемый метод шумоподавления на основе глубокого обучения работает исключительно в области изображения, что упрощает его реализацию на разных моделях сканеров и у разных поставщиков.

Модель глубокого обучения представляет собой архитектуру U-Net, которая повышает качество изображений МРТ, удаляя шум и исправляя остаточные ошибки, которые не могут устранить алгоритмы PI. Эта модель была обучена на ретроспективных данных, имитируя различные ухудшения изображения, и протестирована как на ретроспективных, так и на перспективных данных для обеспечения надежности. Проспективное тестирование, в частности, продемонстрировало обобщаемость метода в различных клинических средах и типах сканеров, что еще раз подтверждает применимость модели.
 

Оценка и основные выводы
Исследование оценивало производительность модели как качественно, так и количественно. Пять сертифицированных рентгенологов оценивали изображения качественно на основе таких критериев, как качество изображения, шум, уменьшение артефактов и видимость анатомических особенностей. Количественный анализ был сосредоточен на соотношении сигнал/шум (SNR), соотношении контрастность/шум (CNR) и пространственном разрешении.
 

1. Качественные улучшения : Улучшенные моделью изображения показали значительные улучшения общего качества изображения, снижения шума и удаления артефактов по сравнению с исходными ускоренными изображениями. Видимость как нормальных анатомических структур, так и патологических особенностей также улучшилась. Улучшенные изображения были оценены как не хуже или даже лучше базовых изображений (сканы с меньшим ускорением), сохраняя необходимое диагностическое качество.
2. Количественные улучшения : Улучшенные с помощью ИИ изображения продемонстрировали заметное увеличение SNR и CNR во всех типах последовательностей (сагиттальное T1-взвешенное, аксиальное T2-взвешенное и аксиальное восстановление инверсии с ослаблением жидкости (FLAIR)). Улучшенные SNR и CNR указывают на более четкое различие между структурами и лучшую общую четкость изображения. Пространственное разрешение, измеренное по полной ширине на половине максимума (FWHM), было сохранено или улучшено, что указывает на то, что модель не вносила размытость или не снижала резкость изображений.
3. Сокращение времени сканирования: одним из основных преимуществ этой модели глубокого обучения является сокращение времени сканирования. Модель позволяет использовать более короткие последовательности МРТ без ущерба для качества изображения, допуская более высокие коэффициенты ускорения (3 или 4, в зависимости от поставщика). В среднем общее время сканирования сократилось примерно на 29%, а сокращение для конкретной последовательности составило 19–41% в зависимости от модели сканера и протокола. Эти результаты подчеркивают потенциал более быстрых протоколов визуализации для повышения комфорта пациента, снижения эксплуатационных расходов и увеличения пропускной способности сканера.
    

Последствия и будущие направления
Модель шумоподавления на основе глубокого обучения представляет собой значительный прогресс в визуализации МРТ, решая критические проблемы, связанные с высокими коэффициентами ускорения. Улучшая качество изображения и обеспечивая более быстрое время сканирования, эта технология является многообещающей как для клинических, так и для исследовательских целей. Более быстрое сканирование может привести к улучшению опыта пациентов, снижению расходов на здравоохранение и возможности обслуживать большее количество пациентов без ущерба для точности диагностики.

Однако исследование имеет некоторые ограничения, включая фокусировку на определенном наборе последовательностей и одной напряженности поля (3 Тесла). Будущие исследования могут изучить применимость модели к другим анатомическим областям, ориентациям МРТ, контрастам и напряженности поля (например, 1,5 Тесла), что потенциально расширит ее клиническую полезность.

Использование глубокого обучения для улучшения МРТ-изображений предлагает многообещающий путь для повышения эффективности и качества сканирования мозга. Метод шумоподавления на основе ИИ, оцененный в этом исследовании, эффективно снизил шум и артефакты, сохранив или улучшив качество диагностических изображений. При сокращении времени сканирования почти на треть потенциальное влияние на клинические рабочие процессы и опыт пациентов является существенным. Интеграция усовершенствований на основе ИИ должна сыграть ключевую роль в продвижении диагностической визуализации.

Источник: Radiology Advances