ระบบ MRI แบบพกพาที่มีความแรงสนามต่ำมีศักยภาพในการเปลี่ยนแปลงการสร้างภาพทางระบบประสาท โดยสามารถเอาชนะความละเอียดเชิงพื้นที่ต่ำและอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) ที่ต่ำได้ นักวิจัยจาก กำลังควบคุมปัญญาประดิษฐ์ (AI) เพื่อบรรลุเป้าหมายนี้ พวกเขาได้พัฒนาอัลกอริธึมความละเอียดสูงพิเศษของแมชชีนเลิร์นนิงที่สร้างภาพสังเคราะห์ที่มีความละเอียดเชิงพื้นที่สูง
จากการสแกน
สมองที่มีความละเอียดต่ำกว่าอัลกอริทึมเครือข่ายประสาทเทียม (CNN) ที่รู้จักกันในชื่อ แปลงลำดับ MRI ของสมองที่น้ำหนักฟิลด์ต่ำ (0.064 T) T1 และ T2 เป็นภาพไอโซโทรปิกที่มีความละเอียดเชิงพื้นที่ 1 มม. และลักษณะของ T1 ที่ถ่วงน้ำหนัก การได้มาซึ่งการไล่ระดับสีอย่างรวดเร็วด้วยคลื่นแม่เหล็กไฟฟ้า
การวิเคราะห์ขนาดเชิงปริมาณและรูปร่างของโครงสร้างในรูปภาพ เป็นศูนย์กลางของการศึกษาการสร้างภาพทางประสาทจำนวนมาก น่าเสียดายที่เครื่องมือวิเคราะห์ MRI ส่วนใหญ่ได้รับการออกแบบมาสำหรับการได้มาซึ่งความละเอียดสูงแบบใกล้ไอโซโทรปิก และโดยทั่วไปแล้วต้องใช้ภาพที่มีน้ำหนัก T1
เช่น MP-RAGE ประสิทธิภาพของพวกเขามักจะลดลงอย่างรวดเร็วเมื่อขนาด เพิ่มขึ้น เนื่องจากการสแกน MRI ทางคลินิกที่มีอยู่ส่วนใหญ่เป็นแบบแอนไอโซทรอปิกสูง จึงไม่สามารถวิเคราะห์ได้อย่างน่าเชื่อถือด้วยเครื่องมือที่มีอยู่ภาพ MR สมองที่มีความละเอียดต่ำหลายล้านภาพถูกสร้างขึ้นทุกปี
แต่ปัจจุบันไม่สามารถวิเคราะห์ด้วยซอฟต์แวร์สร้างภาพระบบประสาทได้” นักวิจัยหลักอธิบาย “เป้าหมายหลักของการวิจัยในปัจจุบันของฉันคือการพัฒนาอัลกอริธึมที่ทำให้ภาพ MR ของสมองที่มีความละเอียดต่ำดูเหมือนการสแกน MRI ความละเอียดสูงที่เราใช้ในการวิจัย ฉันสนใจสองแอปพลิเคชั่นเป็นพิเศษ:
เปิดใช้งานการวิเคราะห์ 3D อัตโนมัติของการสแกนทางคลินิกและการใช้กับเครื่องสแกน MRI แบบพกพาที่มีเขตข้อมูลต่ำ”การฝึกอบรมและการทดสอบสร้างขึ้นจากซึ่งเป็นวิธีการที่พัฒนาโดยทีมงานเพื่อฝึก CNN ให้คาดการณ์การสแกน ที่มีความละเอียด 1 มม. จากการสแกน MR ทางคลินิกที่ทำเป็นประจำ
การค้นพบ
ก่อนหน้านี้ที่รายงาน แสดงให้เห็นว่ารูปภาพที่สร้างสามารถใช้ได้อย่างน่าเชื่อถือสำหรับการแบ่งส่วนย่อยและการวัดปริมาตร การลงทะเบียนรูปภาพ และหากตรงตามข้อกำหนดด้านคุณภาพบางประการ แม้แต่การวัดรูปร่างความหนาของเยื่อหุ้มสมองได้รับการฝึกอบรมเกี่ยวกับภาพอินพุตสังเคราะห์
ที่มีลักษณะแตกต่างกันสูงซึ่งสร้างขึ้นจากการแบ่งส่วนแบบ 3 มิติ ดังนั้นจึงสามารถใช้ในการฝึกอบรม CNN สำหรับการผสมผสานระหว่างคอนทราสต์ ความละเอียด และการวางแนวนักวิจัยรายงานว่าภาพสังเคราะห์มีความสัมพันธ์สูงกับภาพที่ได้มาจากเครื่องสแกน MRI 1.5 T และ 3.0 T
ชี้ให้เห็นว่าโครงข่ายประสาทเทียมทำงานได้ดีที่สุดเมื่อข้อมูลปรากฏเป็นค่าคงที่โดยประมาณ แต่โรงพยาบาลทุกแห่งใช้เครื่องสแกนจากผู้ขายหลายรายที่มีการกำหนดค่าต่างกัน ส่งผลให้การสแกนมีความแตกต่างกันอย่างมาก “เพื่อจัดการกับปัญหานี้ เรากำลังยืมแนวคิดจาก
สาขาการเรียนรู้ของเครื่องที่เรียกว่า ‘การสุ่มโดเมน’ ซึ่งคุณฝึกโครงข่ายประสาทเทียมด้วยภาพสังเคราะห์ที่จำลองเพื่อเปลี่ยนรูปลักษณ์และความละเอียดอย่างต่อเนื่อง เพื่อให้ได้เครือข่ายที่ผ่านการฝึกอบรมที่ไม่เชื่อเรื่องพระเจ้า ลักษณะของภาพอินพุต” เขาอธิบาย
เพื่อประเมินประสิทธิภาพของ LF-SynthSR นักวิจัยได้เชื่อมโยงการวัดลักษณะทางสัณฐานวิทยาของสมองระหว่าง MRI สังเคราะห์และภาพความแรงของฟิลด์ความจริงสูง สำหรับการฝึกอบรม พวกเขาใช้ชุดข้อมูล MRI ความเข้มสนามสูงของการสแกน MP-RAGE แบบไอโซโทรปิก 1 มม.
จากอาสาสมัคร
20 คน พวกเขายังใช้การแบ่งส่วนที่สอดคล้องกันของพื้นที่ที่น่าสนใจ (ROI) ของสมอง 36 แห่งและ ROI นอกสมองสามแห่ง ชุดการฝึกยังได้รับการเสริมเทียมเพื่อสร้างแบบจำลองเนื้อเยื่อพยาธิสภาพที่ดีขึ้น เช่น โรคหลอดเลือดสมองหรือเลือดออก
ชุดการทดสอบประกอบด้วยข้อมูลการถ่ายภาพจากผู้เข้าร่วม 24 คนที่มีอาการทางระบบประสาทที่มีการสแกน MRI ระดับความแรงของสนามต่ำ (0.064 T) นอกเหนือจากการสแกน MRI ระดับสนามแรงมาตรฐานสูง (1.5–3 T) อัลกอริทึมประสบความสำเร็จในการสร้างภาพ สังเคราะห์แบบไอโซโทรปิก
ขนาด 1 มม. จาก MRI ของสมองแบบ เล็กกว่าข้อมูลต้นฉบับมากกว่า 10 เท่า การแบ่งส่วนอัตโนมัติของภาพสังเคราะห์จากตัวอย่างสุดท้ายของผู้เข้าร่วม 11 คนทำให้ได้ปริมาณ ROI ที่สัมพันธ์กันอย่างมากกับภาพที่ได้มาจากการสแกน MR ที่มีความเข้มข้นสูงในฟิลด์
อาจปรับปรุงคุณภาพของภาพของการสแกน MRI ความเข้มสนามต่ำจนถึงจุดที่ไม่สามารถใช้งานได้ด้วยวิธีการแบ่งส่วนอัตโนมัติเท่านั้น แต่อาจรวมถึงอัลกอริทึมการลงทะเบียนและการจำแนกประเภทด้วย” นักวิจัยเขียน “มันสามารถใช้เพื่อเพิ่มการตรวจหารอยโรคที่ผิดปกติได้ด้วย”
ความสามารถในการวิเคราะห์ MRI ของสมองที่มีความละเอียดต่ำโดยใช้ อัตโนมัตินี้จะช่วยให้สามารถศึกษาโรคหายากและประชากรที่ไม่ได้เป็นตัวแทนในการวิจัยการสร้างภาพทางระบบประสาทในปัจจุบัน นอกจากนี้ การปรับปรุงคุณภาพของภาพจากเครื่องสแกน MRI แบบพกพาจะช่วยเพิ่มการใช้งาน
กล่าวว่าความท้าทายอีกอย่างคือความผิดปกติที่หลากหลายที่พบในการสแกนทางคลินิกซึ่ง CNN จำเป็นต้องได้รับการจัดการ “ปัจจุบัน SynthSR ทำงานได้ดีกับสมองที่แข็งแรง กรณีที่มีการฝ่อ และความผิดปกติเล็กๆ น้อยๆ เช่น รอยโรคปลอกประสาทเสื่อมแข็งขนาดเล็กหรือเส้นโลหิตในสมองแตก” เขากล่าว “ขณะนี้เรากำลังดำเนินการปรับปรุงวิธีการเพื่อให้สามารถจัดการกับรอยโรคขนาดใหญ่
Credit : ฝากถอนไม่มีขั้นต่ำ