En radiologs förmåga att ställa korrekta diagnoser från högkvalitativa diagnostiska avbildningsstudier påverkar direkt patientens resultat. Dock, Att skaffa tillräckligt med data för att generera bildbehandling av bästa kvalitet kommer till en kostnad - ökad stråldos för datortomografi (CT) och positronemissionstomografi (PET) eller obehagligt långa skanningstider för magnetisk resonanstomografi (MRT). Nu har forskare vid Athinoula A. Martinos Center for Biomedical Imaging vid Massachusetts General Hospital (MGH) tagit sig an denna utmaning med en ny teknik baserad på artificiell intelligens och maskininlärning, gör det möjligt för läkare att skaffa bilder av högre kvalitet utan att behöva samla in ytterligare data. De beskriver tekniken - kallad AUTOMAP (automatiserad transformation genom manifold approximation) - i en artikel som publicerades idag i tidskriften Natur .

"En viktig del av den kliniska avbildningspipelinen är bildrekonstruktion, som omvandlar rådata som kommer från skannern till bilder för radiologer att utvärdera, säger Bo Zhu, PhD, en forskare vid MGH Martinos Center och första författare till Natur papper. "Det konventionella tillvägagångssättet för bildrekonstruktion använder en kedja av handgjorda signalbehandlingsmoduler som kräver expertmanuell parameterinställning och ofta inte kan hantera brister i rådata, såsom buller. Vi introducerar ett nytt paradigm där den korrekta bildrekonstruktionsalgoritmen automatiskt bestäms av djupinlärning av artificiell intelligens.

"Med AUTOMAP, vi har lärt bildsystem att "se" hur människor lär sig att se efter födseln, inte genom att direkt programmera hjärnan utan genom att främja neurala anslutningar för att anpassa sig organiskt genom upprepad träning på verkliga exempel, " Zhu förklarar. "Detta tillvägagångssätt tillåter våra bildsystem att automatiskt hitta de bästa beräkningsstrategierna för att producera tydliga, exakta bilder i en mängd olika bildscenarier."

Tekniken representerar ett viktigt steg framåt för biomedicinsk avbildning. Vid utvecklingen av det, forskarna utnyttjade de många framsteg som gjorts de senaste åren både i de neurala nätverksmodeller som används för artificiell intelligens och i de grafiska processorenheterna (GPU) som driver verksamheten, eftersom bildrekonstruktion - särskilt i sammanhanget AUTOMAP - kräver en enorm mängd beräkning, speciellt under träningen av algoritmerna. En annan viktig faktor var tillgången på stora datamängder ("big data"), som behövs för att träna stora neurala nätverksmodeller som AUTOMAP. Eftersom den drar nytta av dessa och andra framsteg, Zhu säger, tekniken skulle inte ha varit möjlig för fem år sedan eller kanske till och med för ett år sedan.

AUTOMAP erbjuder ett antal potentiella fördelar för klinisk vård, även utöver att producera bilder av hög kvalitet på kortare tid med MRT eller med lägre doser med röntgen, CT och PET. På grund av dess bearbetningshastighet, Tekniken kan hjälpa till att fatta beslut i realtid om avbildningsprotokoll medan patienten är i skannern.

"Eftersom AUTOMAP är implementerat som ett neuralt nätverk för feedforward, hastigheten för bildrekonstruktion är nästan omedelbar - bara tiotals millisekunder, " säger seniorförfattaren Matt Rosen, PhD, chef för Low-field MRI and Hyperpolarized Media Laboratory och meddirektör för Center for Machine Learning vid MGH Martinos Center. "Vissa typer av skanningar kräver för närvarande tidskrävande beräkningsprocess för att rekonstruera bilderna. I dessa fall, omedelbar feedback är inte tillgänglig under den första avbildningen, och en upprepad studie kan krävas för att bättre identifiera en misstänkt abnormitet. AUTOMAP skulle ge omedelbar bildrekonstruktion för att informera beslutsprocessen under skanning och skulle kunna förhindra behovet av ytterligare besök."

I synnerhet, Tekniken kan också hjälpa till att utveckla andra tillämpningar för artificiell intelligens och maskininlärning. Mycket av den nuvarande spänningen kring maskininlärning inom klinisk bildbehandling är fokuserad på datorstödd diagnostik. Eftersom dessa system förlitar sig på bilder av hög kvalitet för noggranna diagnostiska utvärderingar, AUTOMAP kan spela en roll för att utveckla dem för framtida klinisk användning.

"Vår AI-metod visar anmärkningsvärda förbättringar i noggrannhet och brusreducering och kan därför främja ett brett spektrum av applikationer, ", säger Rosen. "Vi är otroligt glada över att få möjligheten att rulla ut det här i det kliniska rummet där AUTOMAP kan arbeta tillsammans med billiga GPU-accelererade datorer för att förbättra klinisk avbildning och resultat."