samenvatting: Onderzoekers hebben een machinaal leermodel ontwikkeld dat 3T MRI-beelden opschaalt om 7T MRI met hoge resolutie na te bootsen, waardoor meer details worden geboden om hersenafwijkingen te detecteren. 7T-synthetische beelden onthullen subtielere kenmerken, zoals laesies in de witte stof en subcorticale microbloedingen, die vaak moeilijk te zien zijn met standaard MRI-systemen.
Deze op AI gebaseerde aanpak zou de diagnostische nauwkeurigheid van aandoeningen zoals traumatisch hersenletsel (TBI) en multiple sclerose (MS) kunnen verbeteren, hoewel klinische validatie noodzakelijk is vóór breder gebruik. Het nieuwe paradigma kan uiteindelijk de toegang tot hoogwaardige beeldvormingsinzichten vergroten zonder de noodzaak van gespecialiseerde apparatuur. Deze vooruitgang vertegenwoordigt een veelbelovend kruispunt tussen kunstmatige intelligentie en medische beeldvormingstechnologie.
Basisfeiten
- Het AI-model verbetert 3T MRI om de details van 7T MRI te benaderen.
- 7T-synthetische beelden lieten duidelijkere grenzen van de hersenlaesie zien, wat hielp bij de diagnose.
- Het model zou TBI- en MS-patiënten ten goede kunnen komen door de visualisatie van hersenafwijkingen te verbeteren.
bron: UCSF
Op het snijvlak van kunstmatige intelligentie en medische wetenschap is er een groeiende belangstelling voor het gebruik van machinaal leren om beeldgegevens te verbeteren die zijn vastgelegd door middel van magnetische resonantie beeldvorming (MRI) technologie.
Recente onderzoeken tonen aan dat hoogveld-MRI bij 7 Tesla (7T) aanzienlijk grotere resolutie en klinische voordelen kan hebben dan hoogveld-MRI bij 3 T bij het identificeren van anatomische structuren die belangrijk zijn voor het identificeren en monitoren van pathologisch weefsel, vooral in de hersenen.
De meeste klinische MRI-onderzoeken in de Verenigde Staten worden uitgevoerd met behulp van 1,5T- of 3T-MRI-systemen. Sinds 2022 heeft de National Institutes of Health gedocumenteerd dat er wereldwijd slechts ongeveer 100 7T MRI-machines worden gebruikt voor diagnostische beeldvorming.
Onderzoekers van de Universiteit van Californië, San Francisco hebben een machine learning-algoritme ontwikkeld om 3T-MRI’s te verbeteren door 7T-achtige beelden aan elkaar te plakken die een echte 7T-MRI benaderen.
Hun model verbeterde de histopathologie met een grotere resolutie voor klinische inzichten en vertegenwoordigt een nieuwe stap in de richting van het evalueren van klinische toepassingen van synthetische 7T MRI-modellen.
De studie werd op 7 oktober gepresenteerd op de 27e Internationale Conferentie over Medical Image Computing and Computer-Assisted Intervention (MICCAI).
“Ons artikel presenteert een machinaal leermodel om MRI-beelden van hoge kwaliteit te synthetiseren uit beelden van lage kwaliteit. We hebben aangetoond hoe dit AI-systeem de visualisatie en identificatie verbetert van hersenafwijkingen die door MRI zijn vastgelegd bij traumatisch hersenletsel.
“Onze bevindingen onderstrepen de belofte van kunstmatige intelligentie en machinaal leren om de kwaliteit van medische beelden te verbeteren die zijn vastgelegd door minder geavanceerde beeldvormingssystemen.”
TBI en multiple sclerose worden het best gezien
UCSF-onderzoekers verzamelden beeldgegevens van patiënten met de diagnose mild traumatisch hersenletsel (TBI) bij UCSF. Ze ontwierpen en trainden drie neurale netwerkmodellen om beeldverbetering en 3D-beeldsegmentatie uit te voeren met behulp van kunstmatige 7T MRI gegenereerd op basis van standaard 3T MRI.
Beelden gegenereerd met behulp van de nieuwe modellen zorgden voor een verbeterde histopathologie voor patiënten met mild traumatisch hersenletsel. Ze kozen een typisch gebied met laesies in de witte stof en microbloedingen in subcorticale gebieden om ter vergelijking te gebruiken.
Ze ontdekten dat pathologisch weefsel gemakkelijker te zien was in samengestelde 7T-beelden. Dit was duidelijk zichtbaar in de scheiding van aangrenzende laesies en de meer uitgesproken kenmerken van subcorticale bloeding.
Bovendien legden samengestelde 7T-beelden de diverse kenmerken van laesies in de witte stof beter vast. Deze observaties benadrukken ook de belofte van het gebruik van deze technologie om de diagnostische nauwkeurigheid bij neurologische aandoeningen zoals multiple sclerose te verbeteren.
Hoewel synthesetechnieken op basis van machine learning-frameworks indrukwekkende prestaties laten zien, zal de toepassing ervan in klinische omgevingen uitgebreide validatie vereisen.
De onderzoekers zijn van mening dat toekomstig werk een uitgebreide klinische evaluatie van de resultaten van het model, de klinische evaluatie van de door het model gegenereerde beelden en de kwantificering van onzekerheden in het model moet omvatten.
Over kunstmatige intelligentie en neuroimaging onderzoeksnieuws
auteur: Reza Abbasi-Origineel
bron: UCSF
mededeling: Reza Abbasi-oorsprong – UCSF
afbeelding: Afbeelding toegeschreven aan Neuroscience News
‘Webgeek. Wannabe-denker. Lezer. Freelance reisevangelist. Liefhebber van popcultuur. Gecertificeerde muziekwetenschapper.’
