得益于新的机器学习方法,更好的 MRI 视频 - Medical Xpress

2024-09-30 17:06:26 英文原文

本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性:

经过事实检查

可信来源

校对

更好的 MRI 视频,谢谢到新的机器学习方法

使用经过智能训练的神经网络,格拉茨工业大学的研究人员成功地从一些 MRI 测量数据中生成了跳动心脏的精确实时图像。其他 MRI 应用也可以使用此过程来加速。该研究发表在《医学磁共振》上。

使用磁共振成像 (MRI) 进行医学成像非常耗时,因为必须根据许多单独测量的数据来编译图像。由于使用机器学习,成像也可以用更少的 MRI 测量数据实现,从而节省时间和成本。

但是,其前提是可用于训练 AI 模型的完美图像。对于某些应用,例如实时(移动图像)MRI,并不存在如此完美的训练图像,因为此类图像总是有些模糊。

由 Martin Uecker 和 Moritz Blumenthal 领导的国际研究团队格拉茨理工大学 (TU Graz) 的生物医学成像研究所现已成功生成精确的跳动心脏的实时 MRI 图像,即使没有此类训练图像,并且借助经过智能训练的神经网络,只需很少的 MRI 数据。由于这些改进,实时 MRI 将来可以在实践中更频繁地使用。

通过保留数据校准成像

Uecker 和 Blumenthal 使用自我监督学习方法训练他们的 MRI 成像机器学习模型。训练模型的基础不是预先策划的完美图像,而是模型用来重建图像的初始数据的子集。

Blumenthal 解释道,“我们将由将 MRI 设备分成两个部分。我们的机器学习模型会从第一个较大的数据部分重建图像,然后尝试根据图像计算从中保留的测量数据的第二部分。”

<如果系统无法做到这一点,或者根据底层逻辑做得很差,那么之前重建的图像一定是不正确的。模型被更新,它创建一个新的改进的图像变体并尝试再次计算第二数据部分。这个过程会运行多轮,直到结果一致。

在这个训练过程中,系统从大量此类重建中学习良好的 MRI 图像应该是什么样子。随后,在应用过程中,模型可以直接计算出良好的图像。

这个过程可以使许多 MRI 应用更快、更便宜

“我们的流程已准备好应用,”说Uecker,“即使可能还需要一段时间才能真正应用于实践。”该方法可用于许多其他 MRI 应用,使其速度更快,因此更便宜。例如,这包括定量 MRI,其中物理组织参数被精确测量和量化。

“这使得放射科医生能够访问精确的数据进行诊断,而不必使用他们的专业人士根据亮度差异来解释图像。经验,”Uecker 解释道。“然而,到目前为止,定量 MRI 测量通常需要很长时间。借助我们的机器学习模型,我们能够大大加快这些测量速度,而不会降低质量。”

研究结果是生物医学成像研究所国际跨学科合作的成果。参与者包括 Christina Unterberg(哥廷根大学医学中心心脏病专家)、Markus Haltmeier(因斯布鲁克大学数学家)、Xiaoqing Wang(哈佛医学院 MRI 研究员)和 Chiara Fantinato(来自意大利的 Erasmus 学生)。

算法和 MRI 数据可免费获取,以便其他研究人员可以直接重现结果并基于新方法进行构建。

更多信息:Moritz Blumenthal 等人,使用 NLINVNet 改进无校准径向 MRI 的自我监督学习,医学中的磁共振(2024)。DOI:10.1002/mrm.30234

关于《得益于新的机器学习方法,更好的 MRI 视频 - Medical Xpress》的评论


暂无评论

发表评论

摘要

本文已根据 Science X 的编辑流程和政策进行审阅。由于使用机器学习,还可以使用更少的 MRI 测量数据进行成像,从而节省时间和成本。由格拉茨理工大学 (TU Graz) 生物医学成像研究所的 Martin Uecker 和 Moritz Blumenthal 领导的国际研究小组现已成功生成跳动心脏的精确实时 MRI 图像,即使没有此类训练图像且 MRI 数据也很少在经过智能训练的神经网络的帮助下。训练模型的基础不是预先策划的完美图像,而是模型用于重建图像的初始数据的子集。然后,它尝试根据图像计算从其保留的测量数据的第二部分。