Сделать МРТ-сканирование в четыре раза быстрее
Новые исследования свидетельствуют, что технологии искусственного интеллекта (artificial intelligence, AI) могут помочь существенно ускорить МРТ-сканирование, и мы уже писали о подобных технологиях и проектах.
Совместный проект под названием fastMRI, который ведется группой исследования технологий искусственного интеллекта компании Facebook (FAIR) и рентгенологами из больницы Langone Health при Нью-Йоркском университете, позволяет сделать эту процедуру в четыре раза быстрее, что дает возможность быстрее вводить и выводить пациентов из аппарата, вызывающего у многих людей клаустрофобию.
Ученые подготовили модель машинного обучения, обученную на сканах МРТ низкого и высокого разрешения, используя эту модель для "предсказания" того, как будут выглядеть окончательные МРТ-сканы, полученные на базе всего лишь четверти от обычных входных данных. Это поможет выполнить сканирование быстрее, что означает меньше хлопот для пациентов и более быструю диагностику.
Причина, по которой искусственный интеллект может быть использован для получения тех же самых снимков из меньшего количества данных, заключается в том, что нейронная сеть по сути научилась абстрактному представлению о том, как выглядит медицинский скан. Затем он использует эти знания для того, чтобы сделать прогноз о конечном результате.
При тестировании системы в рамках исследования, данные которого были опубликованы в American Journal of Roentgenology, рентгенологам было предложено ставить диагнозы, основанные как на сканах традиционной МРТ, так и на снимках колен пациента, полученных при использовании системы на базе искусственного интеллекта. Исследование показало, что, сталкиваясь как с традиционными, так и AI-сканами, врачи делали одни и те же оценки.
"Ключевым словом, на котором может основываться доверие к результату, является взаимозаменяемость оценок, - говорит профессор радиологии Содиксон из Langone Health. - Мы не смотрим на количественную метрику, основанную на качестве изображения. Мы говорим, что радиологи ставят одинаковые диагнозы. Они находят одни и те же проблемы. Они ничего не упускают".
Такая концепция чрезвычайно важна. Несмотря на то, что модели машинного обучения часто используются для создания данных высокого разрешения из входных данных низкого разрешения, этот процесс часто может привести к ошибкам. Например, AI можно использовать для повышения качества изображений в низком разрешении из старых видеоигр, но люди должны проверять выходные данные, чтобы убедиться, что они совпадают с входными. И мысль о том, что AI с его "воображением" может представить нам неправильный результат МРТ-сканирования, очевидно, вызывает беспокойство.
Тем не менее, команда fastMRI говорит, что это не проблема с их методом. Для начала входные данные, используемые для создания скана с помощью AI-технологии, полностью покрывают целевую область тела. Модель машинного обучения не догадывается, как выглядит окончательное сканирование из нескольких кусочков головоломки. В ней есть все кусочки, которые ей нужны, только в более низком разрешении. Затем ученые используют созданную ими систему проверки нейронной сети, основанную на физике МРТ-сканирования. Это означает, что через регулярные промежутки времени во время создания скана AI-система проверяет, соответствуют ли ее выходные данные тому, что физически возможно для МРТ-машины.
"Мы не позволяем нейронной сети создавать произвольные изображения, - говорит Содиксон. - Мы требуем, чтобы любой образ, сгенерированный в процессе, был физически реализуем в виде МРТ-образа. Мы ограничиваем пространство поиска, чтобы все соответствовало физике МРТ".
Именно это понимание, появившееся только после долгих обсуждений между радиологами и разработчиками алгоритмов, позволило проекту добиться успеха.
Программное обеспечение может использоваться с существующими МРТ-сканерами без необходимости нового оборудования. И ученые уже ведут переговоры с компаниями, которые производят эти сканеры.
