人工智能如何使 MRI 更加准确、可靠 |编辑部

北卡罗来纳大学医学院放射学副教授 Li Wang 博士开发的两种新模型可以对大脑结构进行更准确、更可靠的分析，这对于早期检测、医学诊断和神经学研究至关重要。

磁共振成像（MRI）是评估人脑最内部结构的最有效技术之一。该技术利用磁场和无线电波产生软组织图像，是非侵入性的，不使用辐射。但它也有缺点。

MRI 扫描过程中，参与者的运动（例如呼吸、眨眼或不自主运动）可能会导致结构模糊和重复，或出现鬼影。由于 MRI 在大脑诊断和神经学研究中发挥着至关重要的作用，研究人员不断思考新的方法来更好地捕捉人类大脑的复杂性。

实验室的研究人员王莉 博士，副教授放射科，创建了两个新的生成人工智能（AI）模型，以帮助提高脑部 MRI 的图像质量。一种模型可以更准确地从图像中去除非脑组织，另一种模型可以大大提高成像质量。他们最近的论文均发表在该杂志上自然生物医学工程。

“成像质量对于大脑解剖和病理学的可视化非常重要，并且可以帮助为临床决策提供信息，”王说，他也是该协会的成员生物医学研究影像中心。“我们的生成人工智能模型可以对大脑结构进行更准确、更可靠的分析，这对于神经系统疾病的早期检测、诊断和监测至关重要，”王说。

在 MRI 能够完全处理图像之前，它必须首先从图像中去除大脑周围的骨骼（头骨）和其他非脑组织。这个过程被称为“颅骨条纹”，使放射科医生能够无障碍地观察脑组织。然而，当扫描数据始终来自不同类型的扫描仪、个人和格式时，MRI 常常难以产生准确且一致的结果。

尤其是，当大脑在整个生命周期中经历动态变化（例如大脑大小以及白质（WM）和灰质（GM）之间的反向组织对比度）时，头骨条纹很难将大脑与头骨分离。因此，颅骨条纹可能会无意中去除大脑周围过多或过少的非脑组织，从而干扰对大脑解剖结构的准确解释。一个

新纸研究表明，他们的颅骨条纹模型可以更准确地去除非脑组织并预测寿命期间脑容量的变化。研究人员使用从 18 个地点通过各种成像协议和扫描仪获取的包含 21,334 个寿命的大型多样化数据集，证实他们的模型可以忠实地绘制大脑发育和衰老的潜在生物过程。王实验室的博士研究生王丽梅是该论文的主要作者。

第二个人工智能模型名为脑 MRI 增强基础 (BME-X)，旨在提高整体成像质量。一个上一篇论文，首先由 Wang 实验室的 Yue Sun 撰写，阐述了质量增强模型的细节及其用于改善患者护理和神经学研究的方法。孙悦

研究人员发现，它在纠正身体运动、从低分辨率图像重建高分辨率图像、减少颗粒噪声和处理病理 MRI 方面优于其他最先进的方法。

其最显着的功能之一是该模型能够“协调”来自不同 MRI 扫描仪的图像。诊所、全国乃至世界各地都在使用各种 MRI 扫描仪，包括西门子、GE 和飞利浦生产的扫描仪，每种扫描仪都使用不同的型号和成像参数。

这种变异性会使临床医生和研究人员很难获得清晰一致的结果。BME-X 可以吸收所有数据并创造公平的竞争环境，创建用于临床或研究需求的“统一”数据。

这两种人工智能模型都有可能促进涉及多个研究机构或 MRI 扫描仪的临床试验和研究。在神经影像领域，这些模型还可用于帮助创建新的标准化成像协议和程序。它们还可以应用于其他成像方式，例如 CT 扫描。

这项工作是通过国家卫生研究院的拨款资助的，奖励编号为 MH133845、MH117943、MH116225、AG075582 和 NS128534。这项工作还利用了 NIH 拨款（U01MH110274 和 R01MH104324）开发的方法以及 UNC/UMN 婴儿连接组项目联盟的努力。

媒体联系人： 肯德尔·丹尼尔斯·罗文斯基，通讯专家，北卡罗来纳大学健康中心 |北卡罗来纳大学医学院