تکنیک نوآورانه یادگیری ماشین کارایی تصویربرداری MRI را تغییر می دهد

محققان دانشگاه TU Graz با استفاده از شبکه‌های عصبی آموزش‌دیده هوشمند موفق به تولید تصاویر بی‌درنگ از قلب تپنده تنها از چند داده اندازه‌گیری MRI شده‌اند. سایر کاربردهای MRI را نیز می توان با استفاده از این روش تسریع کرد.

تصویربرداری پزشکی با استفاده از تصویربرداری رزونانس مغناطیسی (MRI) بسیار وقت گیر است زیرا یک تصویر باید از داده های بسیاری از اندازه گیری های فردی جمع آوری شود. به لطف استفاده از یادگیری ماشینی، تصویربرداری با داده های اندازه گیری MRI کمتر نیز امکان پذیر است که باعث صرفه جویی در زمان و هزینه می شود. با این حال، پیش نیاز این تصاویر عالی است که بتوان از آنها برای آموزش مدل های هوش مصنوعی استفاده کرد. چنین تصاویر آموزشی کاملی برای کاربردهای خاص مانند MRI بلادرنگ (تصویر متحرک) وجود ندارد، زیرا چنین تصاویری همیشه تا حدودی تار هستند. یک تیم تحقیقاتی بین المللی به سرپرستی مارتین اوکر و موریتز بلومنتال از موسسه تصویربرداری زیست پزشکی در دانشگاه فناوری گراتس (TU Graz) اکنون موفق به تولید تصاویر MRI زنده دقیق از قلب تپنده حتی بدون چنین تصاویر آموزشی و با داده های MRI بسیار کمی شده است. با کمک شبکه های عصبی آموزش دیده هوشمند. به لطف این پیشرفت ها، ام آر آی بلادرنگ می تواند در آینده بیشتر در عمل مورد استفاده قرار گیرد.

کالیبراسیون تصویربرداری از طریق داده های پنهان شده
مارتین یوکر و موریتز بلومنتال از روش های یادگیری خود نظارتی برای آموزش مدل یادگیری ماشینی خود برای تصویربرداری MRI استفاده کردند. اساس آموزش مدل، تصاویر کامل از پیش تنظیم شده نیست، بلکه زیرمجموعه ای از داده های اولیه است که مدل از آن تصاویر را بازسازی می کند. موریتز بلومنتال آن را اینگونه توضیح می دهد: “ما داده های اندازه گیری ارائه شده توسط دستگاه MRI را به دو قسمت تقسیم کردیم. از بخش اول داده بزرگتر، مدل یادگیری ماشین ما تصویر را بازسازی می کند. سپس سعی می کند قسمت دوم داده های اندازه گیری را محاسبه کند. بر اساس تصویر از آن دریغ شده است.” اگر سیستم نتواند این کار را انجام دهد یا این کار را ضعیف انجام دهد – طبق منطق اساسی – تصویر بازسازی شده قبلی باید نادرست بوده باشد. مدل به‌روزرسانی می‌شود، یک نوع تصویر بهبودیافته جدید ایجاد می‌کند و سعی می‌کند دوباره بخش داده دوم را محاسبه کند. این فرآیند برای چندین دور اجرا می شود تا زمانی که نتیجه ثابت شود. در این فرآیند آموزشی، سیستم از تعداد زیادی از چنین بازسازی هایی می آموزد که تصاویر MRI خوب چگونه باید باشند. بعداً، در طول برنامه، مدل می‌تواند مستقیماً یک تصویر خوب را محاسبه کند.

این روش می‌تواند بسیاری از کاربردهای MRI را سریع‌تر و ارزان‌تر کند
مارتین یوکر می‌گوید: «فرایند ما برای کاربرد آماده است، حتی اگر احتمالاً مدتی طول بکشد تا عملاً مورد استفاده قرار گیرد». این روش را می توان برای بسیاری از برنامه های دیگر MRI استفاده کرد تا آنها را سریع تر و در نتیجه ارزان تر کند. این شامل MRI کمی است، برای مثال، که در آن پارامترهای بافت فیزیکی دقیقا اندازه‌گیری و کمیت می‌شوند.

منبع:news-medical