Нейронауки в Science и Nature. Выпуск 84: радиологические исследования станут ещё быстрее и точнее

10 августа 2021

В «семье» радиологов пополнение – исследователи из Центра биомедицинской визуализации Главного госпиталя штата Массачусетс (MGH) создали такой алгоритм обработки изображений ПЭТ, КТ или МРТ, который позволит значительно улучшить их качество без повышения дозы облучения или времени обследования. Техника, основанная на машинном обучении, получила название «AUTOMAP» или автоматическое преобразование путем разнородного приближения (automated transform by manifold approximation), и о ней рассказывает статья в Nature.

Изображение, обработанное традиционно (слева) и с помощью AUTOMAP (справа). Credit: Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital

Реконструкция изображений – это существенная часть всего процесса, благодаря которому получается снимок. В эту фазу исходные данные, поступающие со сканера, преобразуются непосредственно в изображения, которые затем может оценивать врач-радиолог. Стандартная схема – это ручная настройка всех параметров сигнала, но такой подход исключает возможность подстраиваться под несовершенства записи и корректировать, к примеру, уровень шума.

AUTOMAP же предлагает ряд потенциальных преимуществ для клинической практики. Он не только позволяет избавляться от шумов и делать итоговые изображения чётче, но и за счёт высокой скорости обработки информации экономит время, потраченное на исследование, а также снижает необходимую для качественного снимка дозу радиации (при КТ или рентгене). Причём, всё это происходит в режиме реального времени, когда пациент ещё находится в сканере.

Чтобы создать алгоритм, исследователи воспользовались разработками нейронных сетей последних лет, которые используются как для искусственного интеллекта, так и в графических процессорах (GPU), управляющих операциями, поскольку моделирование изображений из сырых данных – особенно в контексте AUTOMAP – требует огромного количества вычислений, особенно во время обучения алгоритма. Другой важный фактор – база big data, на которой возможна качественная подготовка нейронной сети AUTOMAP. Исследователи отмечают, что ещё пять лет назад создать такую модель бы не представлялось возможным, но сейчас уже накоплен необходимый объём информации, на котором нейронная сеть может корректно обучиться.

«С помощью AUTOMAP мы научили системы визуализации так «видеть», как люди учатся видеть после рождения, а не напрямую программировали им «мозг», поощряли нейронные связи, чтобы они органично адаптировались, путём многократного обучения на реальных примерах. Этот подход позволяет нашим системам визуализации автоматически находить лучшие вычислительные стратегии для создания чётких и точных изображений в самых разных сценариях визуализации», — объясняет Бо Чжу (Bo Zhu), главный автор статьи.

Учёные утверждают, что скорость восстановления изображения почти мгновенная – всего несколько десятков миллисекунд. Для некоторых же типов сканирования в настоящее время требуется несколько повторов сканирования и многократная вычислительная обработка. В таких случаях во время первичной визуализации немедленная обратная связь недоступна, а впоследствии может потребоваться, чтобы пациент прошёл исследование повторно (для уточнения). Однако, AUTOMAP обеспечивает мгновенную реконструкцию изображения, ускоряя процесс принятия решений во время сканирования, и подобная необходимость может быть снята.


Текст: Анна Хоружая

Image reconstruction by domain-transform manifold learning by Bo Zhu, Jeremiah Z. Liu, Stephen F. Cauley, Bruce R. Rosen & Matthew S. Rosen in Nature. Published 21 March 2018, volume 555, pages 487–492.

doi:10.1038/nature25988

Читайте материалы нашего сайта в FacebookВКонтакте и канале в Telegram, а также следите за новыми картинками дня в Instagram.