研究人员开发了一种机器学习模型，能够将3T磁共振成像（MRI）图像升级为模拟更高分辨率的7T MRI图像，从而为检测脑部异常提供了更详细的信息。合成的7T图像揭示了更精细的特征，如白质病变和皮质下微出血，这些特征在使用标准MRI系统时通常难以观察。
这种基于人工智能的方法可能会提高创伤性脑损伤（TBI）和多发性硬化症（MS）等疾病的诊断准确性，尽管在更广泛使用之前需要进行临床验证。新模型最终可能会扩大高质量成像见解的获取范围，而无需使用专用设备。这一进展标志着AI与医学影像技术的交汇点充满了希望。
研究介绍
近期研究表明，7T超高场磁共振成像图像在描绘对识别和监测病理组织（尤其是脑部）至关重要的解剖结构方面，比3T高场磁共振成像图像具有更高的分辨率和临床优势。美国大多数临床磁共振成像图像检查使用的是1.5T或3T磁共振成像图像系统。截至2022年，美国国家卫生研究院记录显示，全球仅有约100台7T 磁共振成像图像机器用于诊断成像。来自加州大学旧金山分校（UCSF）的研究人员开发了一种机器学习算法，通过合成接近真实7T磁共振成像图像的7T类图像来增强3T磁共振成像图像。
他们的模型以更高的保真度增强了病理组织，为临床见解提供了新的方向，并代表了在评估合成7T磁共振成像图像模型临床应用方面迈出的一步。该研究于10月7日在第27届国际医学图像计算和计算机辅助介入会议（MICCAI）上发布。
“我们的论文介绍了一种机器学习模型，该模型可以从质量较低的图像中合成高质量的磁共振成像图像。我们证明了这种AI系统如何改善创伤性脑损伤中磁共振成像图像捕获的脑部异常的可视化和识别。”高级研究作者、加州大学旧金山分校神经病学助理教授Reza Abbasi-Asl博士如是说道。
“我们的研究结果强调了AI和机器学习在提高不太先进的成像系统捕获的医学影像质量方面的潜力。”
研究意义
UCSF研究人员收集了在该校被诊断为轻度创伤性脑损伤（TBI）的患者的成像数据。他们设计和训练了三个神经网络模型，使用从标准3T磁共振成像图像生成的合成7T磁共振成像图像进行图像增强和3D图像分割。使用UCSF研究人员收集的数据更好地观察轻度创伤性脑损伤和多发性硬化症，这为患者提供了增强的病理组织。
研究人员选择了一个包含白质病变和皮质下微出血的示例区域进行比较，他们发现，在合成的7T磁共振成像图中更容易看到病理组织，这在相邻病变的分离和皮质下微出血更清晰的轮廓中显而易见。
此外，合成的7T磁共振成像图像更好地捕捉了白质病变内的不同特征。这些观察结果也突出了使用这种技术提高神经退行性疾病（如多发性硬化症）诊断准确性的前景。
虽然基于机器学习框架的合成技术表现出色，但其在临床环境中的应用仍需验证。
研究人员认为，未来的工作应包括对该模型的广泛临床评估、对模型生成图像的临床评分以及对模型中不确定性的量化。
新闻来源：UCSF
热门跟贴