Быстрый метод глубокого обучения для МРТ

Время чтения: 2 мин.

Когда пациенты проходят МРТ, их просят лежать неподвижно, потому что даже малейшее движение ухудшает качество изображений и может создавать размытые пятна и крапинки, известные как артефакты.

Кроме того, для получения высококачественных МРТ изображений обычно требуется длительное время сбора данных. Команда исследователей из Вашингтонского университета в Сент-Луисе, США,  создала новый метод глубокого обучения, который может минимизировать артефакты и другие шумы на МРТ изображениях, возникающие из-за движения и короткого времени сканирования.

Междисциплинарная группа специалистов, разработавших метод глубокого обучения Phase2Phase, использовали для обучения программы изображения с артефактами и без контрольного набора данных, в данном случае — без идеального изображения с отсутствием артефактов. Результаты их работы были опубликованы в журнале Investigative Radiology.

Phase2Phase  учится непосредственно на обучающих данных тому, как определять сигнал по артефактам и шуму или по изменениям интенсивности сигнала на изображениях. Многие существующие методы реконструкции МРТ, основанные на глубоком обучении, способны удалять артефакты и шум, но они учатся на основе контрольных наборов данных, которые бывает трудно получить.

«Сбор МРТ данных может быть легким или сложным, в зависимости от физического состояния пациента, но каждый из них все равно должен дышать, — сказал Камилов. — Когда они дышат, их внутренние органы двигаются, и мы должны знать, как можно компенсировать эти движения».

В Phase2Phase команда загружает в модель глубокого обучения только наборы плохих изображений и обучает нейронную сеть, как можно отличить хорошее изображение от плохого без контрольного набора данных.

В ретроспективном исследовании команда оценила МРТ данные 33 участников — 15 здоровых людей и 18 пациентов с раком печени, каждому из которых было разрешено дышать нормально, находясь в сканере. Эти результаты сравнивались с изображениями, реконструированными с помощью другого метода глубокого обучения, UNet3DPhase, который обучается на высококачественных контрольных данных; методе формирования быстрых МРТ изображений (compressed sensing); и многокатушечном неоднородном быстром преобразовании Фурье (MCNUFFT).

Кроме того, с помощью метода Phase2Phase было успешно реконструировано 66 наборов МРТ данных, полученных в другом медицинском учреждении с использованием других параметров сканирования, что демонстрирует его широкую применимость.

Два радиолога, не зная, какой метод использовался для реконструкции изображений, проверили изображения на предмет их резкости, контраста и артефактов. Они обнаружили, что изображения Phase2Phase и UNet3DPhase имели более высокий контраст и меньшее количество артефактов, чем изображения, полученные методом формирования быстрых МРТ изображений (compressed sensing). Один из этих двух рецензентов сообщил, что изображения UNet3DPhase и Phase2Phase были более резкие, чем изображения compressed sensing. Изображения Phase2Phase и UNet3DPhase были схожи по резкости и контрасту, в то время как изображения UNet3DPhase имели меньше артефактов, чем Phase2Phase. Изображения Phase2Phase сохраняют поля векторов движения, в то время как изображения compressed sensing искусственно уменьшают поля векторов движения.

«Метод глубокого обучения Phase2Phase является отличным решением для быстрой реконструкции высококачественных 4D-изображений печени, используя для этого лишь часть времени, затрачиваемого на сбор данных, — сказал Ан, который также является профессором неврологии. — Это повышает качество изображения для более точной клинической диагностики».

Оригинал новости можно прочитать здесь

Поделиться