Le tue scansioni MRI saranno più veloci di prima, grazie all’intelligenza artificiale
Gli scanner MRI richiedono tempo per eseguire una scansione. I medici dedicano fino a un’ora alla raccolta di dati sufficienti per un esame MRI diagnostico , che va a finire nel programma impegnativo di un ospedale.
Per rendere il processo di scansione più veloce per i pazienti, Facebook AI e NYU Langone Health hanno annunciato un’importante pietra miliare della ricerca che potrebbe migliorare significativamente l’esperienza del paziente, espandere l’accesso alle risonanze magnetiche e potenzialmente abilitare nuovi casi d’uso per le risonanze magnetiche.
Questo studio è stato pubblicato sull’American Journal of Roentgenology. I radiologi incaricati di esaminare le immagini MRI tradizionali e generate dall’intelligenza artificiale , non sono stati in grado di dire quali sono state create utilizzando il nuovo metodo.
Questa ricerca aperta di Facebook AI e l’iniziativa fastMRI della NYU Langone è uno sforzo collaborativo di 2 anni per migliorare la tecnologia di imaging medico e far avanzare la ricerca sull’uso dell’IA per generare immagini da dati limitati.
Informazioni sul nuovo metodo: FastMRI
“Alcuni pixel mancanti o modellati in modo errato potrebbero fare la differenza tra una scansione completamente nitida e una in cui i radiologi trovano un legamento lacerato o un possibile tumore”.
La risonanza magnetica tradizionale prende la sequenza dei dati dello spazio k raccolti dallo scanner e quindi utilizza una tecnica matematica, come una trasformata di Fourier inversa, per generare immagini della risonanza magnetica. k-space è una matrice in cui i dati dei segnali MR digitalizzati vengono memorizzati durante l’acquisizione dei dati. Considerando che il nuovo approccio FastMRI prende una quantità limitata di dati k-space in un modello AI, che crea un’immagine che corrisponde alla verità fondamentale.
Questo processo, tuttavia, non è semplice. Qualsiasi mancanza di precisione o pixelizzazione può significare un tumore mancato nel rapporto. Il modello fastMRI deve prendere dati incompleti e generare un’immagine che sia plausibile e corrisponda accuratamente alla verità di base. Le immagini devono corrispondere agli standard dei radiologi.
Secondo lo studio, sono state generate due serie di risonanze magnetiche per ciascun caso paziente:
un set che utilizza le tecniche di imaging standard ampiamente utilizzate oggi negli ospedali e nelle cliniche e
uno per l’utilizzo del modello AI fastMRI con circa 4x dati k-space sottocampionati.
La struttura della rete neurale si basa sulla fisica della RM sottostante, che fornisce il giusto bias induttivo per un addestramento efficiente. La rete è stata addestrata end-to-end per massimizzare la somiglianza strutturale del suo output con le immagini gold standard utilizzando il più grande set di dati open source di risonanza magnetica del ginocchio , che fastMRI ha rilasciato nel 2018.
Il modello variazionale risultante, hanno scritto i ricercatori, può ricostruire le immagini RM direttamente da dati grezzi sottocampionati, utilizzando come input i dati dello spazio k sottocampionato multi-bobina e applicando una sequenza di 12 passaggi di raffinamento, noti come cascate. Questa sequenza di cascate consente alla rete di riempire in modo iterativo i punti dati mancanti.
GUARDA ANCHE
Apple entra nel club da 2 trilioni di dollari, la controparte cinese di Github e altro nelle principali notizie di questa settimana
Per questo studio, sei radiologi esperti hanno esaminato due serie di risonanze magnetiche del ginocchio deidentificate e rese anonime di 108 pazienti sottoposti a test che erano stati valutati presso la NYU Langone Health. Per limitare il bias, ai radiologi esaminatori sono state mostrate immagini standard e con accelerazione AI ad almeno un mese di distanza.
Dopo aver valutato sistematicamente le immagini per patologie, come lesioni del menisco, anomalie dei legamenti e difetti della cartilagine, ai revisori è stato chiesto di valutare la qualità dell’immagine e di individuare le immagini create con AI.
I radiologi, nelle loro valutazioni, non hanno potuto riscontrare differenze significative. In effetti, hanno scoperto che le immagini MRI generate dall’intelligenza artificiale erano di qualità superiore. Hanno anche trovato le stesse anomalie sia nella risonanza magnetica standard che in quella generata dall’intelligenza artificiale. Secondo il team dietro questo progetto , cinque dei sei radiologi non sono stati in grado di discernere correttamente quali immagini sono state generate utilizzando l’IA.
Punto chiave
Secondo i ricercatori di FAIR, i risultati di fastMRI possono essere riassunti come segue:
FastMRI mira a sviluppare nuovi modi per utilizzare l’IA per accelerare il processo di scansione MRI.
Secondo la valutazione dei radiologi, le immagini generate da AI di FastMRI sono buone quanto quelle delle MRI tradizionali.
FastMRI necessita di una quantità di dati 4 volte inferiore rispetto al metodo tradizionale.
Radiologi esperti hanno valutato le immagini generate dall’IA come di qualità superiore rispetto alle scansioni tradizionali.
FastMRI è un progetto open source e il team spera che i fornitori di hardware ottengano l’approvazione della FDA per portare questi algoritmi in produzione.
