По сравнению с другими методами визуализации, такими как рентген или компьютерная томография, МРТ обеспечивает высококачественный контраст мягких тканей. К сожалению, МРТ очень чувствительна к движению, и даже малейшие движения приводят к артефактам изображения. Эти артефакты подвергают пациентов риску неправильной диагностики или неправильного лечения, когда важные детали скрыты от врача. Но исследователи из Массачусетского технологического института, возможно, разработали модель глубокого обучения, способную корректировать движения в МРТ головного мозга.
«Движение — распространенная проблема в МРТ», — объясняет Налини Сингх, аффилированная с Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic), аспирант программы Harvard-MIT Programme in Health Sciences and Technology (HST) и ведущий автор исследования. бумага. «Это довольно медленный метод визуализации».
Сеансы МРТ могут длиться от нескольких минут до часа, в зависимости от типа требуемых изображений. Даже во время самых коротких сканирований небольшие движения могут сильно повлиять на результирующее изображение. В отличие от изображений с камеры, где движение обычно проявляется как локальное размытие, движение в МРТ часто приводит к артефактам, которые могут исказить все изображение. Пациентов могут подвергнуть анестезии или попросить ограничить глубокое дыхание, чтобы свести к минимуму движения. Однако эти меры часто не могут быть приняты в группах населения, особенно восприимчивых к движению, включая детей и пациентов с психическими расстройствами.
Статья под названием «Консистентная коррекция движения на глубокой жесткой МРТ с данными» недавно была удостоена награды за лучший устный доклад на конференции «Медицинская визуализация с глубоким обучением» (MIDL) в Нэшвилле, штат Теннесси. Метод вычисляет изображение без движения из данных, искаженных движением, без каких-либо изменений в процедуре сканирования. «Наша цель состояла в том, чтобы объединить основанное на физике моделирование и глубокое обучение, чтобы получить лучшее из обоих миров», — говорит Сингх.
Важность этого комбинированного подхода заключается в обеспечении согласованности между выходным изображением и фактическими измерениями того, что изображено, в противном случае модель создает «галлюцинации» — изображения, которые кажутся реалистичными, но неточными физически и пространственно, что потенциально ухудшает результаты, когда это происходит. к диагнозам.
Получение МРТ без артефактов движения, особенно у пациентов с неврологическими расстройствами, вызывающими непроизвольные движения, такими как болезнь Альцгеймера или Паркинсона, принесет пользу не только пациентам. По оценкам исследования, проведенного на кафедре радиологии Вашингтонского университета, движение влияет на 15 процентов результатов МРТ головного мозга. Движение во всех типах МРТ, которое приводит к повторным сканированиям или сеансам визуализации для получения изображений достаточного качества для диагностики, приводит к расходам больницы примерно на 115 000 долларов США на каждый сканер в год.
По словам Сингха, в будущей работе можно будет изучить более сложные типы движений головы, а также движения других частей тела. Например, МРТ плода страдает от быстрых, непредсказуемых движений, которые нельзя смоделировать только простыми перемещениями и вращениями.
«Это направление работы Сингха и компании — следующий шаг в коррекции движений с помощью МРТ. Это не только отличная исследовательская работа, но я верю, что эти методы будут использоваться во всех клинических случаях: дети и пожилые люди, которые не могут сидеть неподвижно в сканере, патологии, вызывающие движение, исследования движущихся тканей, даже здоровые пациенты. будет двигаться в магните», — говорит Дэниел Мойер, доцент Университета Вандербильта. «В будущем, я думаю, что, вероятно, будет стандартной практикой обрабатывать изображения с чем-то, что напрямую связано с этим исследованием».
Соавторами этой статьи являются Налини Сингх, Нил Дей, Мальте Хоффманн, Брюс Фишль, Эльфар Адальштейнссон, Роберт Фрост, Адриан Далка и Полина Голланд. Это исследование было частично поддержано GE Healthcare и вычислительным оборудованием, предоставленным Массачусетским центром наук о жизни. Исследовательская группа благодарит Стива Коли за полезные обсуждения. Дополнительную поддержку оказали NIH NIBIB, NIA, NIMH, NINDS, Blueprint for Neuroscience Research, часть межучрежденческого проекта Human Connectome Project, сеть переписи клеток инициативы BRAIN и стипендия Google PhD.