Когда пациенты проходят МРТ, их просят лежать неподвижно, потому что даже малейшее движение ухудшает качество изображений и может создавать размытые пятна и крапинки, известные как артефакты. Кроме того, для получения высококачественных изображений МРТ обычно требуется длительное время сбора данных. Команда исследователей из Вашингтонского университета в г. Луи нашел новый метод глубокого обучения, который может минимизировать артефакты и другие шумы на МРТ-изображениях, которые возникают из-за движения и короткого времени получения изображения.
Хунюй Ань, профессор радиологии Института радиологии Маллинкродта Медицинской школы, и Улугбек Камилов, доцент кафедры информатики и инженерии, а также электротехники и системотехники Инженерной школы Маккелви, возглавляли междисциплинарную группу, которая разработала метод глубокого обучения Phase2Phase, который они обучили с использованием изображений с артефактами и без достоверной информации, в данном случае идеального изображения без артефактов.
Результаты работы опубликованы 19 мая 2021 года в журнале Investigative Radiology.
Глубокое обучение учится непосредственно на обучающих данных, как определять сигнал по артефактам и шуму или вариациям интенсивности сигнала на изображении. Многие существующие методы реконструкции МРТ на основе глубокого обучения способны удалять артефакты и шум, но они учатся на основе достоверных справочных данных, которые может быть трудно получить.
"При МРТ сканировать кого-либо может быть легко или сложно, в зависимости от его физического здоровья, но все равно должны дышать," Камилов сказал. "Когда они дышат, их внутренние органы двигаются, и мы должны определить, как исправить эти движения."
В Phase2Phase команда загружает модель глубокого обучения только наборами плохих изображений и обучает нейронную сеть предсказывать хорошее изображение от плохого без достоверной ссылки.
Вейджи Ган, докторант в лаборатории Камилова и соавтор статьи, написал программу для Phase2Phase для удаления шума и артефактов. Джихат Эльдениз, инструктор по радиологии в Институте радиологии Маллинкродта и соавтор, работал над получением МРТ и обнаружением движения, используемыми в исследовании. Они смоделировали Phase2Phase на основе существующего метода машинного обучения, известного как Noise2Noise, который восстанавливает изображения без чистых данных.
В ретроспективном исследовании команда оценила данные МРТ 33 участников – 15 здоровых людей и 18 пациентов с раком печени, всем из которых было разрешено нормально дышать, находясь в сканере. Эти результаты сравнивались с изображениями, реконструированными с помощью другого метода глубокого обучения, UNet3DPhase, который обучается на высококачественной основе; сжатое зондирование; и многокатушечное неоднородное быстрое преобразование Фурье (MCNUFFT).
Кроме того, с помощью этого метода Phase2Phase было успешно реконструировано 66 наборов данных МРТ, полученных в другом учреждении с использованием других параметров сбора данных, что демонстрирует его широкую применимость.
Два радиолога, которые не знали, какой метод реконструкции использовался на изображениях, проверили изображения на предмет их резкости, контраста и артефактов. Они обнаружили, что изображения Phase2Phase и UNet3DPhase имели более высокий контраст и меньшее количество артефактов, чем сжатые изображения. Один рецензент сообщил, что изображения UNet3DPhase и Phase2Phase более резкие, чем сжатые изображения зондирования, а другой – нет. Изображения Phase2Phase и UNet3DPhase были схожи по резкости и контрастности, в то время как изображения UNet3DPhase имели меньше артефактов, чем Phase2Phase. Изображения Phase2Phase сохраняют векторные поля движения, в то время как сжатые изображения зондирования искусственно уменьшают векторные поля движения.
"Метод глубокого обучения Phase2Phase обеспечивает отличное решение для быстрой реконструкции высококачественных 4D-изображений печени, затрачивая всего лишь часть времени на сбор данных," сказал Ан, который также является профессором неврологии. "Улучшает качество изображения для лучшей клинической диагностики."