Περίληψη άρθρου:
Ερευνητές του ΜΙΤ ανέπτυξαν ένα μοντέλο βαθιάς μάθησης που μπορεί να διορθώσει τα τεχνουργήματα κίνησης σε μαγνητικές τομογραφίες εγκεφάλου, οι οποίες είναι ιδιαίτερα ευαίσθητες στην κίνηση. Η μέθοδος δημιουργεί εικόνες χωρίς κίνηση χωρίς να αλλάζει η διαδικασία σάρωσης, ωφελώντας τα αποτελέσματα των ασθενών και μειώνοντας ενδεχομένως τις δαπάνες των νοσοκομείων. Η μελλοντική εργασία μπορεί να διερευνήσει τη διόρθωση της κίνησης σε άλλα μέρη του σώματος.

Κύρια σημεία του άρθρου:

  • Ερευνητές του ΜΙΤ ανέπτυξαν ένα μοντέλο βαθιάς μάθησης ικανό για τη διόρθωση τη ς κίνησης στη μαγνητική τομογραφία εγκεφάλου.
  • Το μοντέλο κατασκευάζει υπολογιστικά μια εικόνα χωρίς κίνηση από δεδομένα που έχουν υποστεί αλλοίωση από την κίνηση, χωρίς να αλλάζει τίποτα στη διαδικασία σάρωσης.
  • Η κίνηση στη μαγνητική τομογραφία οδηγεί συχνά σε τεχνουργήματα που μπορούν να αλλοιώσουν ολόκληρη την εικόνα, θέτοντας τους ασθενείς σε κίνδυνο λανθασμένης διάγνωσης ή ακατάλληλης θεραπείας.
  • Το μοντέλο διασφαλίζει τη συνέπεια μεταξύ της εξόδου της εικόνας και των πραγματικών μετρήσεων αυτού που απεικονίζεται, αποφεύγοντας τις "ψευδαισθήσεις" που θα μπορούσαν να επιδεινώσουν τα αποτελέσματα.
  • Οι μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν πιο εξελιγμένους τύπους κίνησης του κεφαλιού και κίνησης σε άλλα μέρη του σώματος.







Αναλυτικά το άρθρο:
Η πρόκληση περιλαμβάνει κάτι περισσότερο από ένα θολό JPEG. Η διόρθωση των τεχνουργημάτων κίνησης στην ιατρική απεικόνιση απαιτεί μια πιο εξελιγμένη προσέγγιση.

Σε σύγκριση με άλλες μεθόδους απεικόνισης, όπως οι ακτίνες Χ ή οι αξονικές τομογραφίες, οι μαγνητικές τομογραφίες παρέχουν υψηλής ποιότητας αντίθεση μαλακών ιστών. Δυστυχώς, η μαγνητική τομογραφία είναι ιδιαίτερα ευαίσθητη στην κίνηση, με αποτέλεσμα ακόμη και οι μικρότερες κινήσεις να προκαλούν τεχνουργήματα εικόνας. Αυτά τα τεχνουργήματα θέτουν τους ασθενείς σε κίνδυνο λανθασμένης διάγνωσης ή ακατάλληλης θεραπείας, όταν κρίσιμες λεπτομέρειες αποκρύπτονται από τον ιατρό. Αλλά οι ερευνητές του ΜΙΤ μπορεί να έχουν αναπτύξει ένα μοντέλο βαθιάς μάθησης ικανό για τη διόρθωση της κίνησης στη μαγνητική τομογραφία εγκεφάλου.

"Η κίνηση είναι ένα συνηθισμένο πρόβλημα στη μαγνητική τομογραφία", εξηγεί η Nalini Singh, διδακτορική φοιτήτρια στο πρόγραμμα Harvard-MIT Program in Health Sciences and Technology (HST) της Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic) και επικεφαλής συγγραφέας της δημοσίευσης. "Είναι ένας αρκετά αργός τρόπος απεικόνισης".

Οι συνεδρίες μαγνητικής τομογραφίας μπορούν να διαρκέσουν από λίγα λεπτά έως μία ώρα, ανάλογα με το είδος των εικόνων που απαιτούνται. Ακόμη και κατά τη διάρκεια των πιο σύντομων σαρώσεων, μικρές κινήσεις μπορεί να έχουν δραματικές επιπτώσεις στην εικόνα που προκύπτει. Σε αντίθεση με την απεικόνιση με κάμερα, όπου η κίνηση εκδηλώνεται συνήθως ως τοπική θολούρα, η κίνηση στη μαγνητική τομογραφία συχνά οδηγεί σε τεχνουργήματα που μπορούν να αλλοιώσουν ολόκληρη την εικόνα. Οι ασθενείς μπορεί να αναισθητοποιηθούν ή να τους ζητηθεί να περιορίσουν τη βαθιά αναπνοή, προκειμένου να ελαχιστοποιηθεί η κίνηση. Ωστόσο, αυτά τα μέτρα συχνά δεν μπορούν να ληφθούν σε πληθυσμούς ιδιαίτερα ευαίσθητους στην κίνηση, συμπεριλαμβανομένων των παιδιών και των ασθενών με ψυχιατρικές

Η εργασία, με τίτλο "Data Consistent Deep Rigid MRI Motion Correction", βραβεύτηκε πρόσφατα ως η καλύτερη προφορική παρουσίαση στο συνέδριο Medical Imaging with Deep Learning (MIDL) στο Νάσβιλ του Τενεσί. Η μέθοδος κατασκευάζει υπολογιστικά μια εικόνα χωρίς κίνηση από δεδομένα που έχουν υποστεί βλάβη από την κίνηση, χωρίς να αλλάζει τίποτα στη διαδικασία σάρωσης. "Στόχος μας ήταν να συνδυάσουμε τη μοντελοποίηση με βάση τη φυσική και τη βαθιά μάθηση για να έχουμε το καλύτερο και από τους δύο κόσμους", λέει ο Singh.
Η σημασία αυτής της συνδυασμένης προσέγγισης έγκειται στη διασφάλιση της συνέπειας μεταξύ της εξόδου της εικόνας και των πραγματικών μετρήσεων αυτού που απεικονίζεται, διαφορετικά το μοντέλο δημιουργεί "ψευδαισθήσεις" - εικόνες που φαίνονται ρεαλιστικές, αλλά είναι φυσικά και χωρικά ανακριβείς, επιδεινώνοντας ενδεχομένως τα αποτελέσματα όταν πρόκειται για διαγνώσεις.

Η προμήθεια μιας μαγνητικής τομογραφίας απαλλαγμένης από τεχνουργήματα κίνησης, ιδίως από ασθενείς με νευρολογικές διαταραχές που προκαλούν ακούσια κίνηση, όπως η νόσος του Αλτσχάιμερ ή η νόσος του Πάρκινσον, θα ωφελούσε περισσότερα από τα αποτελέσματα των ασθενών. Μια μελέτη από το Τμήμα Ακτινολογίας του Πανεπιστημίου της Ουάσινγκτον υπολόγισε ότι η κίνηση επηρεάζει το 15 % των μαγνητικών τομογραφιών εγκεφάλου. Η κίνηση σε όλους τους τύπους μαγνητικής τομογραφίας που οδηγεί σε επαναλαμβανόμενες σαρώσεις ή συνεδρίες απεικόνισης για τη λήψη εικόνων με επαρκή ποιότητα για τη διάγνωση έχει ως αποτέλεσμα περίπου 115.000 δολάρια σε νοσοκομειακές δαπάνες ανά σαρωτή σε ετήσια βάση.

Σύμφωνα με τον Singh, οι μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν πιο εξελιγμένους τύπους κίνησης του κεφαλιού καθώς και την κίνηση σε άλλα μέρη του σώματος.Για παράδειγμα, η μαγνητική τομογραφία εμβρύου πάσχει από ταχεία, απρόβλεπτη κίνηση που δεν μπορεί να μοντελοποιηθεί μόνο με απλές μετατοπίσεις και περιστροφές. 

"Αυτή η γραμμή εργασίας από τον Singh και την εταιρεία του είναι το επόμενο βήμα στη διόρθωση της κίνησης της μαγνητικής τομογραφίας. Δεν είναι μόνο εξαιρετική ερευνητική εργασία, αλλά πιστεύω ότι αυτές οι μέθοδοι θα χρησιμοποιηθούν σε όλα τα είδη των κλινικών περιπτώσεων: παιδιά και ηλικιωμένοι που δεν μπορούν να καθίσουν ακίνητοι στον τομογράφο, παθολογίες που προκαλούν κίνηση, μελέτες κινούμενων ιστών, ακόμη και υγιείς ασθενείς θα κινηθούν στον μαγνήτη", λέει ο Daniel Moyer, επίκουρος καθηγητής στο Πανεπιστήμιο Vanderbilt. "Στο μέλλον, νομίζω ότι πιθανότατα θα είναι συνήθης πρακτική η επεξεργασία εικόνων με κάτι που προέρχεται άμεσα από αυτή την έρευνα".

Συν-συγγραφείς αυτής της εργασίας είναι οι Nalini Singh, Neel Dey, Malte Hoffmann, Bruce Fischl, Elfar Adalsteinsson, Robert Frost, Adrian Dalca και Polina Golland. Η έρευνα αυτή υποστηρίχθηκε εν μέρει από την GE Healthcare και από υπολογιστικό υλικό που παρείχε το Κέντρο Βιοεπιστημών της Μασαχουσέτης. Η ερευνητική ομάδα ευχαριστεί τον Steve Cauley για τις χρήσιμες συζητήσεις. Πρόσθετη υποστήριξη δόθηκε από τα NIH NIBIB, NIA, NIMH, NINDS, το Blueprint for Neuroscience Research, μέρος του πολυθεσμικού Human Connectome Project, το BRAIN Initiative Cell Census Network και μια υποτροφία για διδακτορική διατριβή της Google.

Πηγή: MIT researchers combine deep learning and physics to fix motion-corrupted MRI scans