Na preseku veštačke inteligencije i medicinske nauke, raste interesovanje za korišćenje mašinskog učenja kako bi se poboljšali slikovni podaci snimljeni tehnologijom magnetne rezonance (MRI). Nedavne studije pokazuju da bi MRI ultra visokog polja na 7 Tesla (7T) mogao imati daleko veću rezoluciju i kliničke prednosti u odnosu na MRI visokog polja na 3T u razgraničavanju anatomskih struktura koje su važne za identifikaciju i praćenje patološkog tkiva, posebno u mozgu.
Većina kliničkih MRI pregleda u SAD se obavlja sa 1,5T ili 3T MRI sistemima. Tek 2022. godine, Nacionalni instituti za zdravlje su dokumentovali samo oko 100 7T MRI mašina koje se koriste za dijagnostičko snimanje širom sveta.
Istraživači sa UC San Francisco razvili su algoritam za mašinsko učenje kako bi poboljšali 3T MRI sintetizujući slike nalik 7T koje su približne stvarnim 7T MRI. Njihov model je poboljšao patološko tkivo sa više vernosti za kliničke uvide i predstavlja novi korak ka proceni kliničkih primena sintetičkih 7T MRI modela.
Studija je predstavljena 7. oktobra na 27. međunarodnoj konferenciji o računanju medicinskih slika i intervenciji potpomognute računarom (MICCAI).
„Naš rad uvodi model mašinskog učenja za sintetizovanje visokokvalitetnih magnetnih rezonanca iz slika nižeg kvaliteta. Pokazujemo kako ovaj sistem veštačke inteligencije poboljšava vizualizaciju i identifikaciju abnormalnosti mozga snimljenih magnetnom rezonancom kod traumatskih povreda mozga“, rekao je viši autor studije Reza Abasi -Asl, Ph.D., UCSF docent neurologije.
„Naši nalazi naglašavaju obećanje veštačke inteligencije i mašinskog učenja za poboljšanje kvaliteta medicinskih slika snimljenih manje naprednim sistemima za snimanje.
Istraživači UCSF-a su prikupili podatke o slikama pacijenata kojima je dijagnostikovana blaga traumatska povreda mozga (TBI) na UCSF-u. Dizajnirali su i obučili tri modela neuronske mreže za poboljšanje slike i segmentaciju 3D slike koristeći generisane sintetičke 7T MRI od standardnih 3T MRI.
Slike generisane sa novim modelima dale su poboljšano patološko tkivo za pacijente sa blagom TBI. Odabrali su primer regiona sa lezijama bele materije i mikrokrvarenja u subkortikalnim oblastima za korišćenje za poređenje. Otkrili su da je patološko tkivo lakše videti na sintetizovanim 7T slikama. Ovo je bilo očigledno u odvajanju susednih lezija i oštrijim konturama subkortikalnih mikrokrvarica.
Pored toga, sintetizovane 7T slike bolje su uhvatile različite karakteristike unutar lezija bele materije. Ova zapažanja takođe naglašavaju obećanje korišćenja ove tehnologije za poboljšanje dijagnostičke tačnosti kod neurodegenerativnih poremećaja kao što je multipla skleroza.
Dok tehnike sintetizacije zasnovane na okvirima mašinskog učenja pokazuju izuzetne performanse, njihova primena u kliničkim okruženjima će zahtevati opsežnu validaciju. Istraživači veruju da bi budući rad trebalo da uključi opsežnu kliničku procenu nalaza modela, kliničku ocenu slika generisanih modelom i kvantifikaciju nesigurnosti u modelu.
