在人工智能与医学科学的交叉领域，利用机器学习来增强磁共振成像（MRI）技术所捕获的成像数据的兴趣日益浓厚。最近的研究表明，7 特斯拉（7T）的超高场 MRI 具有更高的分辨率，在描绘对识别和监测病理组织（尤其是在大脑中）至关重要的解剖结构方面，可能比 3T 的高场 MRI 具有临床优势。
在美国，大多数临床 MRI 检查是使用 1.5T 或 3T 的 MRI 系统进行的。截至 2022 年，美国国立卫生研究院记录显示，全球仅有约 100 台 7T MRI 机器用于诊断成像。
加州大学旧金山分校的研究人员开发了一种机器学习算法，通过从低质量的 3T MRI 图像合成近似真实 7T MRI 的图像来增强 3T MRI。他们的模型更忠实地增强了病理组织，为临床提供了更多见解，代表了评估合成 7T MRI 模型临床应用的新一步。
这项研究于 10 月 7 日在第 27 届医学图像计算与计算机辅助干预国际会议（MICCAI）上发表。
“我们的论文介绍了一种从低质量图像合成高质量 MRI 的机器学习模型。我们展示了这个人工智能系统如何改善创伤性脑损伤中 MRI 所捕获的脑部异常的可视化和识别，”该研究的资深作者、加州大学旧金山分校神经病学助理教授 Reza Abbasi-Asl 博士说，“我们的发现突出了人工智能和机器学习在提高不太先进的成像系统所捕获的医学图像质量方面的前景。”
更好地诊断创伤性脑损伤和多发性硬化症
加州大学旧金山分校的研究人员收集了在该校被诊断为轻度创伤性脑损伤（TBI）患者的成像数据。他们设计并训练了三个神经网络模型，使用从标准 3T MRI 生成的合成 7T MRI 进行图像增强和 3D 图像分割。
新模型生成的图像为轻度 TBI 患者提供了增强的病理组织。他们选择了一个皮质下区域有白质病变和微出血的示例区域进行比较。他们发现病理组织在合成的 7T 图像中更容易看到。这在相邻病变的分离和皮质下微出血的更清晰轮廓中很明显。此外，合成的 7T 图像更好地捕捉到了白质病变内的不同特征。这些观察结果也突出了使用该技术提高诸如多发性硬化症等神经退行性疾病诊断准确性的前景。
虽然基于机器学习框架的合成技术表现出色，但其在临床环境中的应用需要广泛的验证。研究人员认为，未来的工作应包括对模型结果的广泛临床评估、对模型生成图像的临床评级以及对模型中不确定性的量化。
作者：Qiming Cui、Duygu Tosun、Pratik Mukherjee、Reza Abbasi-Asl
资金来源：Weill Neurohub。
关于加州大学旧金山分校健康：加州大学旧金山分校健康因其创新的患者护理而在全球范围内得到认可，反映了最新的医学知识、先进技术和开创性研究。它包括旗舰的加州大学旧金山分校医学中心，这是一家排名靠前的专科医院，以及加州大学旧金山分校贝尼奥夫儿童医院，在旧金山和奥克兰设有校区，兰利波特精神病医院和诊所，加州大学旧金山分校贝尼奥夫儿童医生和加州大学旧金山分校教职员工实践。这些医院作为加州大学旧金山分校的学术医疗中心，该校以其研究生级别的健康科学教育和生物医学研究而闻名于世。加州大学旧金山分校健康与整个湾区的医院和卫生组织有联系。访问 www.ucsfhealth.org。在 Facebook 或 Twitter 上关注加州大学旧金山分校健康。
（全文结束）
