Magnetna rezonanca (MRI) koristi magnetna polja za stvaranje slika tela koje omogućavaju lekarima da preciznije dijagnostikuju povredu ili bolest. Snimanje tenzora osetljivosti (STI), specijalizovana tehnika MRI, meri magnetnu osetljivost različitih tkiva u mozgu kvantifikovanjem načina na koji postaju magnetizovana kada su izložena magnetnom polju skenera MRI. Istraživači i lekari mogu da koriste takve informacije da bolje razumeju, dijagnostikuju i nadgledaju neurološke bolesti kao što su multipla skleroza (MS) i Alchajmerova bolest.
Istraživači Džonsa Hopkinsa su nedavno objavili radove koji opisuju novi algoritam, DeepSTI, koji uzima podatke iz više pojedinačnih skeniranja i obezbeđuje „super-skeniranje“ mozga koje uključuje precizne informacije o osetljivosti moždanog tkiva. Njihova metoda zahteva manje slika snimljenih na manje pozicija u poređenju sa tradicionalnim STI, što proces čini bržim i prijatnijim za pacijente.
„Obično, snimanje STI zahteva najmanje šest različitih skeniranja u različitim orijentacijama glave da bi se postigla dobra rekonstrukcija, i to je uglavnom razlog zašto se trenutno ne koristi široko uprkos svom potencijalu da razume ljudski mozak“, rekao je stariji autor Jeremias Sulam, docent biomedicinski inženjering. „Naše rekonstrukcije potpomognute veštačkom inteligencijom uveliko proširuju količinu korisnih informacija koje se mogu prikupiti dok zahtevaju mnogo manje podataka, i nadamo se da će to pomoći da se ova tehnika snimanja premesti iz laboratorije u kliniku.
Rezultati tima se pojavljuju u zbornicima Međunarodne radionice o mašinskom učenju u kliničkom neuroimagingu 2023.
Zhenghan Fang, diplomirani student biomedicinskog inženjerstva, glavni je autor radova. Peter van Zijl, Ksu Li i Hieong-Geol Shin sa Instituta Kennedi Krieger takođe su dali doprinos studijama.
Snimanje STI se ističe u otkrivanju neurodegenerativnih procesa koji utiču na specifične strukture u mozgu, kao što je mijelinski omotač koji okružuje aksone i igra centralnu ulogu u prenosu informacija u mozgu.
Novi algoritam tima uzima podatke iz MR skeniranja i generiše 3D mapu magnetne osetljivosti u mozgu visoke rezolucije. Njegov ključni napredak, kažu istraživači, je njegova sposobnost da meri izvore moždanog tkiva poput mijelina i gvožđa koristeći manje skeniranja nego što je ranije bilo potrebno. Uočavanje promena u ovim tkivima može pomoći u karakterizaciji tipa neurološke bolesti, stadijuma ili progresije; na primer, njihov algoritam je napravio rekonstrukciju za vizuelizaciju promena mijelina kod pacijenata sa MS, koristeći podatke prikupljene skeniranjem samo iz jedne orijentacije glave.
Tim je prepoznao izazove razvoja algoritma za konstruisanje slike nečega tako složenog i varirajućeg kao što je ljudski mozak, posebno sa ograničenim informacijama, rekao je Fang. Da uzmemo primer, zamislite da vas traže da naslikate sliku psa, ali vam nisu date informacije kao što su boja, veličina ili rasa životinje; postojao bi ogroman broj rešenja za problem, tako da biste morali da smanjite broj opcija i da ga suzite na jednu.
DeepSTI koristi mašinsko učenje sa pristupom koji se naziva regularizacija i koji sužava broj mogućih rešenja kako bi se fokusirao na najtačnija. Istraživači su dizajnirali specijalne regulatore koristeći podatke prethodnog skeniranja kako bi naučili model kako treba da izgledaju dobre rekonstrukcije mozga. Ovi regulatori zasnovani na podacima usmeravaju model ka najverovatnijem rešenju za svaki novi skup skeniranja.
„Algoritam je veoma dobar u ‘učenju’ kako slike mozga treba da izgledaju. Kada pokrenemo algoritam na sirovim podacima, on koristi pronađene parametre da rekonstruiše jasniju i sveobuhvatniju sliku mozga“, rekao je Fang.
Na kraju, kaže Sulam, nada je da će njihov algoritam mašinskog učenja učiniti STI dostupnijom opcijom snimanja za kliničare i radiologe tako što će smanjiti vreme potrebno za obavljanje skeniranja i poboljšati kvalitet slike. Za sada, tim planira da istraži kako bi algoritam mogao da reši druge teške nauke i inženjerske probleme. A tim je posebno ohrabren onim što Sulam naziva „veoma lepom“ matematikom koja pokreće algoritam.
„Naš tim je uzbuđen zbog matematičkog okvira koji podupire rezultate ovde. Bili smo u mogućnosti da odgovorimo na teška pitanja na koja ranije nismo mogli da odgovorimo, na primer koji su implicitni prioriteti podataka koje su uhvatili ovi algoritmi za rekonstrukciju, zašto ovo funkcioniše, i zašto bi ovo trebalo da koristimo“, rekao je Sulam. Ovi novi matematički rezultati se trenutno pregledaju i dostupni su kao predštampa na arXiv-u.
Tim je svoje podatke, modele i kod učinio dostupnim kao projekat otvorenog koda za druge istraživače. „Ovo je prava priča o uspehu istraživanja jer ne samo da bi mogla da dovede do novih tehnologija koje bi pomogle donošenju odluka na klinici, već i otvara nove istraživačke puteve u opštijim algoritmima restauracije i rekonstrukcije i primenjenoj matematici“, rekao je Sulam.
