Une application d’apprentissage en profondeur pour l’IRM pourrait réduire de moitié le temps d’analyse


IRM

Crédit : CC0 Domaine public

L’imagerie par résonance magnétique (IRM) est un outil de diagnostic non invasif pour la détection et l’évaluation des maladies du cerveau, des lésions musculo-squelettiques, des maladies cardiovasculaires et du cancer. Bien que l’IRM présente de nombreux avantages par rapport aux autres technologies d’imagerie médicale, elle est lente, ce qui augmente les coûts, affecte le confort du patient, peut dégrader la qualité de l’image et nécessite l’utilisation d’ sédation chez les enfants.

Une équipe interdisciplinaire d’ingénieurs, de médecins et de scientifiques dirigée par le professeur adjoint en génie biomédical Rizwan Ahmad et le professeur de génie électrique et informatique Philip Schniter a reçu un prix R01 de 2,3 millions de dollars des National Institutes of Health pour développer plus rapidement et plus précisément. Méthodes IRM.

Un examen IRM typique se compose de plusieurs scans et peut prendre une heure ou plus. Chaque scan peut obliger un patient à rester assis pendant plusieurs minutes, et même de légers mouvements peuvent affecter la qualité de l’image. Il existe également une demande croissante pour l’utilisation de l’IRM pour des applications dynamiques et sensibles au temps telles que B. l’image d’un cœur battant ou de phénomènes temporaires qui se produisent en quelques secondes.

« L’une des principales raisons pour nous est que nous voulons accélérer ce processus en prenant une fraction des mesures qui seraient nécessaires avec la technologie traditionnelle », explique Schniter. « Le problème maintenant est que si je prends une fraction des mesures, toutes ces informations me manqueront. Que dois-je faire pour remplacer ces informations ? »

Pour remplacer les informations manquantes et restaurer l’image, les chercheurs développeront et valideront un cadre d’apprentissage en (DL) complet et robuste qui améliorera la reconstruction IRM au-delà des limites de la technologie existante.

Le cadre proposé utilise des algorithmes plug-and-play pour combiner des modèles d’acquisition de basés sur la physique avec des modèles d’images appris à la pointe de la technologie. Par rapport aux méthodes existantes de reconstruction IRM, les algorithmes plug-and-play restaurent les images plus rapidement, avec une qualité supérieure et une valeur diagnostique potentiellement supérieure. Les chercheurs utilisent également des débruiteurs basés sur l’apprentissage en profondeur pour affiner davantage les images. Leur approche est décrite dans Magazine IEEE sur le traitement du signal.

« Ce qui rend la stratégie plug-and-play unique, c’est qu’il s’agit d’un mélange d’approches basées sur l’apprentissage automatique et d’approches traditionnelles de la physique de l’ingénierie, et qu’elle se répète pour finalement fournir l’image », a déclaré Schniter.

Une fois pleinement mise en œuvre, la méthodologie de l’équipe pourrait de moitié le temps d’examen IRM. Votre solution ne nécessite pas de changement de matériel ; un poste informatique connecté au scanner IRM effectue les calculs.

« Lorsqu’un clinicien est assis devant le scanner IRM, il veut voir les images en quelques secondes », explique Ahmad. « Une fois développé, l’algorithme peut restaurer les images en quelques secondes presque en temps réel. »

Pour démontrer sa large applicabilité, l’équipe validera son cadre en utilisant les données d’IRM de patients pédiatriques et adultes spécifiquement pour l’imagerie cardiaque et cérébrale. En cas de succès, l’accélération et l’amélioration de la qualité de l’image grâce à ces développements bénéficieront à presque toutes les applications d’IRM, a déclaré Ahmad.

Il est particulièrement important pour les patients pédiatriques de faire des IRM plus rapidement.

« L’imagerie pédiatrique est un problème encore plus important parce que les jeunes enfants ne restent pas immobiles dans les scanners IRM, ils doivent donc les mettre sous sédatif », a déclaré Ahmad. « Il existe de plus en plus de littérature suggérant que la sédation a des effets négatifs à long terme, il est donc nécessaire de la minimiser. Pour l’imagerie pédiatrique, il est très important que nous puissions effectuer le scan très rapidement. »

L’équipe a également montré que l’utilisation de débruiteurs spécifiques dans leur solution qui correspondent à la partie du corps représentée donne de meilleurs résultats. Ces algorithmes améliorent les images en supprimant les artefacts de numérisation indésirables.

« Notre objectif est également de développer cette solution d’une manière plus spécifique à l’ », a déclaré Ahmad. « Les images cérébrales sont très différentes des images cardiaques, nous pouvons donc entraîner le débruiteur spécifiquement pour l’application. Comme il s’agit d’un débruiteur plus spécialisé, il fait un bien meilleur travail. »

Pendant la formation, l’équipe accorde à ses débruiteurs l’accès à des milliers d’ensembles de données d’images, y compris des images de l’ensemble de données fastMRI de l’Université de New York.

« Les Denoiser sont des réseaux de neurones assistés par ordinateur car ils ont une structure de traitement qui ressemble beaucoup au cerveau des mammifères », a déclaré Schniter. « Nous leur donnons accès à de nombreuses images médicales et ils finissent par apprendre la structure et apprennent à débruiter les images médicales sans que nous leur disions jamais comment le faire. »

Dans le cadre du projet, les chercheurs ont également créé un référentiel open source contenant des centaines d’ensembles de données d’images du cœur pour contribuer à de nouvelles avancées dans ce domaine.

« Inspirés par ce que notre co-chercheur Florian Knoll a fait avec l’ensemble de données fastMRI, nous voulons faire quelque chose de similaire avec les données cardiaques », a déclaré Schniter. « La création d’un ensemble de données est un catalyseur pour de nombreuses avancées dans ce domaine. Une fois que les gens ont des données, de nombreuses équipes peuvent travailler avec ces données et se mesurer les unes aux autres pour améliorer la méthodologie. »

Les co-chercheurs du projet incluent Karolina Zareba, professeur de médecine cardiovasculaire à l’Ohio State College of Medicine, Orlando Simonetti, professeur de radiologie et de médecine cardiovasculaire, et Guy Brock, professeur d’informatique biomédicale. Dr. Mai-Lan Ho du Nationwide Children’s Hospital et le professeur adjoint de radiologie Florian Knoll de l’Université de New York font également partie du personnel.

Cette recherche est soutenue par l’Institut national d’imagerie biomédicale et de bioingénierie (NIBIB).


Nouvelle méthode de fusion d’images médicales basée sur l’apprentissage en profondeur pour améliorer les résultats pour les patients


Plus d’information:
Rizwan Ahmad et al., Plug and Play Methods for Magnetic Resonance Imaging: Using Denoiser to Restore Images, Magazine IEEE sur le traitement du signal (2020). DOI : 10.1109 / MSP.2019.2949470

Fourni par Ohio State University College of Engineering

Citation: Une application d’apprentissage en profondeur pour l’IRM pourrait réduire de moitié le temps d’analyse (2021, 21 juin) Récupéré le 21 juin 2021 sur https://techxplore.com/news/2021-06-deep-application-mri-scan.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire