磁共振成像(MRI)是一种非侵入性的诊断工具,用于检测和评估大脑疾病、肌肉骨骼损伤、心血管疾病和癌症。尽管磁共振成像比其他医疗成像技术有许多优势,但它速度慢,增加了成本,影响了病人的舒适度,会妨碍图像质量,并且必须对儿童使用镇静剂。


由生物医学工程助理教授Rizwan Ahmad和电子和计算机工程教授Philip Schniter领导的一个由工程师、医生和科学家组成的跨学科团队获得了美国国立卫生研究院颁发的为期四年、价值230万美元的R01奖,以开发更快、更准确的MRI方法。

将深度学习应用于MRI可以将扫描时间缩短一半

一个典型的核磁共振检查包括多次扫描,可能需要一个小时或更长时间。每次扫描时,病人可能需要静坐数分钟,即使是轻微的运动也可能影响图像质量。使用核磁共振成像进行动态的、时间敏感的应用的需求也在不断增加,例如对跳动的心脏或几秒钟内发生的瞬时现象进行成像。


Schniter解释说:"我们的主要驱动力之一是,我们希望通过采取传统技术所需的一小部分测量来加速这一过程。现在的问题是,如果我进行一小部分的测量,我将会错过所有这些信息。我要怎么做才能取代这些信息呢?"


为了替换缺失的信息并恢复图像,研究人员将开发并验证一个全面、强大的深度学习(DL)框架,该框架能够超越现有技术的限制,改善MRI重建。


他们提出的框架使用即插即用的算法,将物理学驱动的数据采集模型与最先进的学习图像模型相结合。与现有的核磁共振重建方法相比,即插即用的算法能更快地恢复图像,具有更高的质量和潜在的卓越诊断价值。研究人员还使用基于深度学习的去噪器来进一步细化图像。他们的方法在《IEEE信号处理》杂志上有描述。

将深度学习应用于MRI可以将扫描时间缩短一半

即插即用策略的独特之处在于,它是基于机器学习的方法和传统工程物理学方法之间的混合体,并在它们之间迭代,最终提供图像,一旦全面实施,该团队的方法可以将核磁共振扫描时间减少一半。他们的解决方案不需要修改硬件,一个连接到核磁共振扫描仪的计算机工作站将执行计算。


"当临床医生坐在核磁共振扫描仪上时,他们希望在几秒钟内看一下图像,一旦它被开发出来,该算法将能够在几秒钟内恢复图像,几乎是实时的。"Ahmad解释说


为了证明其广泛的适用性,该团队将使用来自儿科和成人患者的MRI数据来验证其框架,专门用于心脏cine和大脑成像。Ahmad说,如果成功的话,这些发展所带来的加速和图像质量的改善将使几乎所有的磁共振成像应用受益。


让核磁共振成像更快对于儿科病人尤其关键。


艾哈迈德解释说:"儿科成像是一个更大的问题,因为较小的孩子在磁共振成像扫描仪中不会保持静止,所以他们必须给他们注射镇静剂。越来越多的文献指出,镇静会带来长期的负面影响,因此需要将其降至最低。对于儿科成像来说,我们可以非常迅速地进行扫描,这是非常重要的。"


该团队还证明,在他们的解决方案中使用与被成像的身体部位相对应的特定去噪器能产生更好的效果。这些算法通过去除不必要的采样伪影来增强图像。


艾哈迈德说我们的目标也是在更具体的应用基础上开发这个解决方案。大脑图像看起来与心脏图像非常不同,因此我们可以对去噪器进行特定应用的训练。由于它是一个更专业的去噪器,它的工作做得更好。


在训练过程中,该团队让他们的去噪器访问数以千计的图像数据集,包括来自纽约大学fastMRI数据集的图像。


Schniter说,去噪器是计算神经网络,它们有一个处理结构,看起来很像哺乳动物的大脑。我们让它们接触大量的医学图像,它们最终学会了这个结构并学会了如何对医学图像进行去噪,而我们从未明确告诉它们如何做。


作为项目的一部分,研究人员还创建了一个由数百个心脏图像数据集组成的开放源码库,以刺激该领域的进一步发展。


Schniter说,受我们的共同研究者Florian Knoll对fastMRI数据集所做工作的启发,我们想对心脏数据做类似的工作。建立一个数据集是该领域许多进展的催化剂。一旦人们有了数据,那么许多团队就可以用这些数据工作,并相互竞争以改进方法。


该项目的共同研究者包括俄亥俄州立医学院研究人员心血管医学副教授Karolina Zareba,放射学和心血管医学教授Orlando Simonetti,以及生物医学信息学研究副教授Guy Brock。全国儿童医院的Mai-Lan Ho博士和纽约大学的放射学助理教授Florian Knoll也是合作者。


这项研究得到了国家生物医学成像和生物工程研究所(NIBIB)的支持。


免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~