Het vermogen van een radioloog om nauwkeurige diagnoses te stellen op basis van hoogwaardige diagnostische beeldvormingsstudies heeft een directe invloed op de uitkomst van de patiënt. Echter, het verkrijgen van voldoende gegevens om de beste beeldkwaliteit te genereren brengt kosten met zich mee - verhoogde stralingsdosis voor computertomografie (CT) en positronemissietomografie (PET) of onaangenaam lange scantijden voor magnetische resonantiebeeldvorming (MRI). Nu hebben onderzoekers van het Athinoula A. Martinos Center for Biomedical Imaging in het Massachusetts General Hospital (MGH) deze uitdaging aangepakt met een nieuwe techniek op basis van kunstmatige intelligentie en machine learning. waardoor clinici beelden van hogere kwaliteit kunnen verkrijgen zonder aanvullende gegevens te hoeven verzamelen. Ze beschrijven de techniek - genaamd AUTOMAP (automatische transformatie door veelvuldige benadering) - in een artikel dat vandaag in het tijdschrift is gepubliceerd Natuur .

"Een essentieel onderdeel van de klinische beeldvormingspijplijn is beeldreconstructie, die de onbewerkte gegevens die van de scanner komen, omzet in afbeeldingen die radiologen kunnen evalueren, " zegt Bo Zhu, doctoraat, een research fellow in het MGH Martinos Center en eerste auteur van de Natuur papier. "De conventionele benadering van beeldreconstructie maakt gebruik van een reeks handgemaakte signaalverwerkingsmodules die deskundige handmatige parameterafstemming vereisen en vaak niet in staat zijn om onvolkomenheden van de onbewerkte gegevens aan te pakken, zoals lawaai. We introduceren een nieuw paradigma waarin het juiste algoritme voor beeldreconstructie automatisch wordt bepaald door deep learning kunstmatige intelligentie.

"Met AUTOMAP, we hebben beeldvormingssystemen geleerd om te 'zien' hoe mensen leren zien na de geboorte, niet door de hersenen direct te programmeren, maar door neurale verbindingen te bevorderen om zich organisch aan te passen door herhaalde training op praktijkvoorbeelden, " legt Zhu uit. "Deze aanpak stelt onze beeldvormingssystemen in staat automatisch de beste rekenstrategieën te vinden om heldere, nauwkeurige beelden in een breed scala aan beeldscenario's."

De techniek betekent een belangrijke sprong voorwaarts voor biomedische beeldvorming. Bij het ontwikkelen ervan, de onderzoekers profiteerden van de vele stappen die de afgelopen jaren zijn gemaakt, zowel in de neurale netwerkmodellen die worden gebruikt voor kunstmatige intelligentie als in de grafische verwerkingseenheden (GPU's) die de operaties aansturen, aangezien beeldreconstructie - vooral in de context van AUTOMAP - een enorme hoeveelheid rekenwerk vereist, vooral tijdens de training van de algoritmen. Een andere belangrijke factor was de beschikbaarheid van grote datasets ("big data"), die nodig zijn om grote neurale netwerkmodellen zoals AUTOMAP te trainen. Omdat het profiteert van deze en andere voorschotten, Zhu zegt, de techniek zou vijf jaar geleden of misschien zelfs een jaar geleden niet mogelijk zijn geweest.

AUTOMAP biedt een aantal potentiële voordelen voor klinische zorg, zelfs verder dan het produceren van hoogwaardige beelden in minder tijd met MRI of met lagere doses met röntgenstraling, CT en PET. Door de verwerkingssnelheid de techniek kan helpen bij het nemen van realtime beslissingen over beeldvormingsprotocollen terwijl de patiënt in de scanner zit.

"Aangezien AUTOMAP is geïmplementeerd als een feedforward neuraal netwerk, de snelheid van beeldreconstructie is bijna onmiddellijk - slechts tientallen milliseconden, " zegt senior auteur Matt Rosen, doctoraat, directeur van het Low-field MRI en Hyperpolarized Media Laboratory en co-directeur van het Center for Machine Learning in het MGH Martinos Center. "Sommige soorten scans vereisen momenteel tijdrovende computerverwerking om de afbeeldingen te reconstrueren. In die gevallen directe feedback is niet beschikbaar tijdens de eerste beeldvorming, en een herhalingsonderzoek kan nodig zijn om een ​​vermoedelijke afwijking beter te identificeren. AUTOMAP zou onmiddellijke beeldreconstructie bieden om het besluitvormingsproces tijdens het scannen te informeren en zou de noodzaak van extra bezoeken kunnen voorkomen."

Opmerkelijk, de techniek kan ook helpen bij het bevorderen van andere toepassingen voor kunstmatige intelligentie en machine learning. Veel van de huidige opwinding rond machine learning in klinische beeldvorming is gericht op computerondersteunde diagnostiek. Omdat deze systemen vertrouwen op beelden van hoge kwaliteit voor nauwkeurige diagnostische evaluaties, AUTOMAP zou een rol kunnen spelen bij het bevorderen ervan voor toekomstig klinisch gebruik.

"Onze AI-aanpak laat opmerkelijke verbeteringen zien in nauwkeurigheid en ruisonderdrukking en kan dus een breed scala aan toepassingen bevorderen, " zegt Rosen. "We zijn ongelooflijk enthousiast over de mogelijkheid om dit uit te rollen in de klinische ruimte waar AUTOMAP kan samenwerken met goedkope GPU-versnelde computers om klinische beeldvorming en resultaten te verbeteren."