Facebook AI Research poczynił znaczący krok naprzód w ramach projektu FastMRI, realizowanego wspólnie z badaczami z nowojorskiego szpitala akademickiego NYU Langone Health. Celem projektu jest zastosowanie sztucznej inteligencji do przyśpieszenia procesu diagnostyki obrazowej wykonywanej metodą rezonansu magnetycznego (MRI).
W ramach trwającego od dwóch lat projektu, badaczom udało się opracować rozwiązanie AI, które pozwala na wygenerowanie dokładnego skanu MRI na podstawie ¼ danych potrzebnych do stworzenia standardowego obrazu.
Rezultaty pierwszych badań klinicznych, które zostaną opublikowane na łamach American Journal of Roentgenology dowiodły, że obrazy rezonansu magnetycznego wspieranego opracowaną w ramach projektu metodą, można stosować zamiennie z obrazami uzyskiwanymi w zwykłym rezonansie magnetycznym.
Aby zrozumieć podejście fastMRI, warto najpierw przyjrzeć się działaniu MRI.
Aby stworzyć obraz przeglądany przez lekarza lub radiologa, urządzenie MRI wykorzystuje pola magnetyczne, które oddziałują z atomami wodoru w tkankach miękkich ciała i ważnych organach. Atomy te następnie emitują sygnały elektromagnetyczne, które działają jak latarnie, wskazując, gdzie w ciele znajdują się atomy. Sygnały są zbierane przez skaner jako sekwencja pojedynczych pomiarów częstotliwości 2D, zwanych danymi k-przestrzeni.
Gdy wszystkie dane zostaną ostatecznie zebrane, system następnie stosuje złożoną formułę matematyczną – odwrotną transformatę Fouriera – do tych surowych danych z przestrzeni k, aby utworzyć szczegółowe obrazy MR kolana, pleców, mózgu lub innego obszaru ciała. Bez pełnego zestawu punktów danych matematyka nie może dokładnie określić, skąd pochodzi każdy sygnał.
Zespół fastMRI użył zupełnie innego sposobu tworzenia obrazu – takiego, który wymaga znacznie mniej surowych danych. Naukowcy zbudowali sieć neuronową i wyszkolili ją przy użyciu największego na świecie zbioru danych rezonansu magnetycznego kolana o otwartym kodzie źródłowym, który został stworzony i udostępniony przez NYU Langone Health w ramach inicjatywy fastMRI.
Zespół badawczy fastMRI usunął około trzech czwartych surowych danych w każdym skanie, a następnie wprowadzał pozostałe informacje do modelu AI. Model nauczył się wtedy generować kompletne obrazy z ograniczonych danych. Co ważne, obrazy wytworzone przez model AI nie wyglądały jak zwykłe MRI.
Obrazy generowane przez sztuczną inteligencję pasowały do obrazu utworzonego przez standardowy powolny proces MRI. Wyobraź sobie, że bierzesz tylko 250 elementów układanki z 1000 elementów, a następnie układasz cały obraz w sposób, który nie tylko wygląda wiarygodnie; dokładnie pasuje do całej układanki pokazanej na pudełku. To przybliżone przybliżenie tego, co zespół fastMRI był w stanie zrobić ze swoim modelem.
Krótszy czas badania i wynikające z tego niższe koszty, mogą istotnie zwiększyć liczbę pacjentów poddawanych tej procedurze – to znaczący krok w kierunku uczynienia diagnostyki obrazowej MRI bardziej dostępną.
„Jest to ważny krok w kierunku akceptacji klinicznej i wykorzystania skanów MRI z akceleracją AI” – powiedział dr. Michael P. Recht, profesor NYU Langone Health.
