Naudodami sumaniai apmokytus neuroninius tinklus, Grazo universiteto mokslininkai sugebėjo sukurti tikslius plakančios širdies vaizdus realiuoju laiku iš vos kelių MRT matavimo duomenų. Taikant šią procedūrą galima paspartinti ir kitas MRT programas.
Medicininis vaizdavimas naudojant magnetinio rezonanso tomografiją (MRT) užima daug laiko, nes vaizdas turi būti sudarytas iš daugelio atskirų matavimų duomenų. Naudojant mašininį mokymąsi, vaizdavimas taip pat įmanomas naudojant mažiau MRT matavimo duomenų, o tai taupo laiką ir išlaidas. Tačiau būtina sąlyga yra tobuli vaizdai, kuriuos galima panaudoti mokant dirbtinio intelekto modelius. Tokie tobuli treniruočių vaizdai neegzistuoja tam tikroms programoms, pavyzdžiui, realaus laiko (judančio vaizdo) MRT, nes tokie vaizdai visada yra šiek tiek neryškūs. Tarptautinei tyrimų grupei, kuriai vadovauja Martinas Ueceris ir Moritzas Blumenthalas iš Graco technologijos universiteto Biomedicininio vaizdavimo instituto (Graco TU), pavyko sukurti tikslius gyvus plakančios širdies MRT vaizdus net ir be tokių treniruočių vaizdų ir naudojant labai mažai MRT duomenų. sumaniai apmokytų neuroninių tinklų pagalba. Dėl šių patobulinimų realaus laiko MRT ateityje galėtų būti dažniau naudojamas praktikoje.
Vaizdo kalibravimas naudojant nuslėptus duomenis
Martin Uecker ir Moritz Blumenthal naudojo savarankiškai prižiūrimus mokymosi metodus, kad išmokytų savo mašininio mokymosi modelį MRT vaizdavimui. Modelio mokymo pagrindas yra ne iš anksto sukurti tobuli vaizdai, o pradinių duomenų, iš kurių modelis turi atkurti vaizdus, poaibis. Moritzas Blumenthalas tai paaiškina taip: „MRT prietaiso pateiktus matavimo duomenis padalinome į dvi dalis. Iš pirmosios, didesnės duomenų dalies, mūsų mašininio mokymosi modelis atkuria vaizdą. Tada bandoma apskaičiuoti antrąją matavimo duomenų dalį. nuo jo atsisakė dėl įvaizdžio“. Jei sistema to nepadaro arba tai daro blogai – pagal pagrindinę logiką – anksčiau atkurtas vaizdas turėjo būti neteisingas. Modelis atnaujinamas, sukuriamas naujas patobulintas vaizdo variantas ir vėl bandoma skaičiuoti antrąją duomenų dalį. Šis procesas vyksta keletą raundų, kol rezultatas bus vienodas. Šiame mokymo procese sistema iš daugybės tokių rekonstrukcijų sužino, kaip turėtų atrodyti geri MRT vaizdai. Vėliau, naudojant programą, modelis gali tiesiogiai apskaičiuoti gerą vaizdą.
Dėl šios procedūros daugelis MRT programų gali būti greitesnės ir pigesnės
„Mūsų procesas yra paruoštas taikyti, – sako Martinas Ueckeris, – net jei tikriausiai prireiks šiek tiek laiko, kol jis bus iš tikrųjų naudojamas. Metodas gali būti naudojamas daugeliui kitų MRT programų, kad jos būtų greitesnės ir todėl pigesnės. Tai apima, pavyzdžiui, kiekybinį MRT, kurio metu tiksliai išmatuojami ir kiekybiškai įvertinami fiziniai audinių parametrai. „Tai leidžia radiologams pasiekti tikslius duomenis diagnozei nustatyti, o ne interpretuoti vaizdus pagal ryškumo skirtumus naudojant savo profesinę patirtį“, – aiškina Martinas Ueckeris. „Tačiau iki šiol kiekybiniai MRT matavimai dažnai užtrukdavo labai ilgai. Su mūsų mašininio mokymosi modeliu galėjome žymiai pagreitinti šiuos matavimus neprarandant kokybės.”
Tyrimų rezultatai, kurie neseniai buvo paskelbti žurnale Magnetic Resonance in Medicine, yra tarptautinio ir tarpdisciplininio Biomedicininio vaizdo instituto bendradarbiavimo rezultatas. Dalyviai buvo Christina Unterberg (Göttingeno universiteto medicinos centro kardiologė), Markus Haltmeier (Insbruko universiteto matematikas), Xiaoqing Wang (MRT tyrėjas Harvardo medicinos mokykloje) ir Chiara Fantinato (Erasmus studentė iš Italijos). Algoritmai ir MRT duomenys yra laisvai prieinami, kad kiti tyrėjai galėtų tiesiogiai atkurti rezultatus ir remtis naujuoju metodu.
