بهبود نتایج اسکن MRI توسط هوش مصنوعی

به گزارش سیناپرس به نقل از زومیت،پزشکان متکی به نتایج اسکن MRI و سایر آزمایش‌های تصویربرداری هستند تا بتوانند وضعیت داخل بدن بیماران را مشاهده کنند. این تصاویر می‌تواند به پزشکان کمک کند بافت‌های غیرطبیعی را شناسایی کنند. اسکن‌های MRI از امواج رادیویی و یک آهنربای قوی برای تولید سیگنال‌های ناشی از بافت‌های بدن استفاده می‌کنند. سپس، یک کامپیوتر این سیگنال‌ها را به یک تصویر دقیق و سه‌بعدی تبدیل می‌کند که روی یک صفحه نمایش نشان داده می‌شوند. اسکن MRI، به ویژه برای تصویربرداری از مغز، کاربرد بالایی دارد.

در اسکن MRI و سایر روش‌های تصویربرداری، ممکن است نیاز باشد برای جلوگیری اختلالات و نویز، بیماران برای چندین دقیقه در دستگاه نگه داشته شوند. همچنین، گاهی اوقات تصویربرداری دوم هم برای صحت نتایج به دست آمده ضروری است. اکنون، تیمی به سرپرستی دکتر متیو رزن از بیمارستان عمومی ماساچوست، مرکز تصویربرداری بیومدیکال مارتینس و دانشگاه هاروارد برای بهبود بازسازی تصاویر اسکن MRI از الگوریتم‌های یادگیری ماشینی استفاده کرد‌ه‌اند. یافته‌های این پژوهشگران در نشریه‌ی Nature منتشر شده است.

این پژوهشگران از ابزارهای پردازش گرافیکی قوی و شبکه‌های عصبی مصنوعی مشخصا AUTOMAP برای طراحی یک پروسه‌ی بازسازی خودکار استفاده کرده‌اند. آن‌ها برای آموزش الگوریتم هوش مصنوعی از ۵۰ هزار اسکن MRI مغز موجود در مجموعه‌ی بزرگ اطلاعات پروژه هیومن کنکتوم (Human Connectome) بهره بردند.

این تیم سپس با استفاده از AUTOMAP، امکان بازسازی و بهبود اطلاعت اسکن MRI را بررسی کردند. آن‌ها دریافتند که خروجی AUTOMAP، تصاویر بهتری با نویز کمتری نسبت به اسکن MRI معمولی است. نسبت سیگنال به نویز برای AUTOMAP، نسبت به بازسازی تصاویر اسکن‌های معمولی (۲۱٫۶ در مقابل ۱۷٫۶) بهتر بود. AUTOMAP، همچنین برای اندازه‌گیری آماری خطاها هم عملکرد بهتری داشت و درصد خطای آن نسبت به بازسازهایی معمولی ۶٫۷ در مقابل ۱۰٫۸ درصد بود. علاوه بر این، AUTOMAP، سریع‌تر از تنظیمات دستی اسکن‌های MRI فعلی است.

روزن گفت:

با به کار بردن AUTOMAP، به عنوان منبع تغذیه‌ی شبکه عصبی، سرعت بازسازی تصاویر تقریبا آنی، تنها با اختلاف ده‌ها میلی‌ثانیه بود. برخی از انواع اسکن‌ها اکنون نیاز به پردازش محاسباتی طولانی برای بازسازی تصاویر دارند. در این موارد، امکان بازخورد فوری در هنگام تصویربرداری اولیه وجود ندارد و ممکن است برای شناسایی یک اختلال مشکوک، تکرار تصویربرداری لازم باشد. AUTOMAP، امکان بازسازی فوری را فراهم می‌کند و می‌تواند نیاز به معاینه‌ها و بررسی‌های بیشتر را بر طرف کند.

به عقیده پژوهشگران، کاربردهای بالقوه زیادی برای AUTOMAP، وجود دارد. این تکنیک هوش مصنوعی می‌تواند، برای بهبود کیفیت و سرعت روش‌های مختلف تصویربرداری، پزشکی و غیر پزشکی مورد استفاده قرار گیرد.