Влияние ИИ на ускорение реконструкции изображений в исследованиях динамического изображения

Искусственный интеллект (ИИ) появился как преобразующая сила в медицине, и его интеграция в медицинскую визуализацию, возможно, является одним из его наиболее последовательных применений. Среди многих областей визуализации, получающих выгоду от ИИ, динамические исследования изображений - методы, которые захватывают физиологические процессы в режиме реального времени - выделяются как особенно область с высоким воздействием. Динамическая визуализация, которая включает в себя такие модальности, как динамическая контрастная КТ-ангиография, и УЗИ в реальном времени, производит обширные потоки данных, которые требуют быстрой и точной реконструкции, чтобы быть клинически полезными. Традиционные алгоритмы реконструкции, в то время как математически строгие, часто изо всех сил пытаются идти в ногу со скоростью и объемом современного приобретения. ИИ, особенно глубокое обучение, продемонстрировал способность значительно ускорить реконструкцию изображения, уменьшить артефакты и улучшить качество изображения, тем самым позволяя новые диагностические возможности и улучшение результатов лечения пациентов. Эта статья исследует, как ИИ меняет реконструкцию изображения в динамических исследованиях визуализации, конкретные методы, приводящие к этим достижениям, преимущества, которые уже реализованы, и проблемы, которые остаются на пути к широкому клиническому

Понимание динамической визуализации и ее проблем

Динамическая визуализация относится к любому методу визуализации, который получает последовательность изображений с течением времени для визуализации движения, потока или изменения. Общие примеры включают в себя МРТ сердца для оценки движения стенки сердца, динамическую перфузию КТ для измерения кровотока при инсульте или раке и ультразвук с контрастным усилением для отслеживания микропузырей через ткань. Эти методы обеспечивают бесценную функциональную информацию, но предъявляют крайние требования к системе визуализации. Приобретение должно быть достаточно быстрым, чтобы фиксировать быстрые физиологические изменения, но полученные необработанные данные часто массивны - одно динамическое исследование перфузии КТ может генерировать гигабайт данных проекции. трубопровод реконструкции должен преобразовывать эти необработанные данные в интерпретируемые изображения с минимальной задержкой, часто в секундах.

Обычная реконструкция опирается на аналитические методы, такие как фильтрованная обратная проекция (FBP) для КТ или преобразование Фурье для МРТ. Хотя надежные и хорошо понятные, эти методы требуют полной выборки данных, чтобы избежать артефактов. В динамической визуализации полная выборка часто невозможна из-за временных ограничений, что приводит к компромиссам между временным разрешением, пространственным разрешением и шумом. Например, в МРТ для достижения высокого временного разрешения обычно используется недосборка k-пространства, что приводит к устранению артефактов, которые ухудшают качество изображения. Итерационные методы реконструкции могут смягчить некоторые из этих проблем путем включения статистических моделей, но они являются вычислительно дорогими и медленными, что делает реконструкцию в реальном времени сложной. В результате многие протоколы динамической визуализации исторически были ограничены скоростью реконструкции, а не способностью приобретения. ИИ предлагает путь, чтобы сломать это узкое место.

Роль ИИ в реконструкции изображений

ИИ, особенно глубокое обучение, оказался исключительно искусным в изучении сложных картографий от необработанных или недостаточно отобранных данных до высококачественных изображений. В отличие от итеративных алгоритмов, которые полагаются на ручные априоры, нейронные сети могут изучать оптимальные стратегии реконструкции непосредственно из больших наборов данных обучения. После обучения сеть может реконструировать изображение за миллисекунды — на порядок быстрее, чем итеративные методы. Эта скорость имеет решающее значение для динамической визуализации, где обратная связь в реальном времени может направлять клинические решения во время интервенционных процедур или неотложной помощи.

Основная идея заключается в том, чтобы рассматривать реконструкцию как проблему контролируемого обучения: пары низкокачественных (например, шумных, недостаточно отобранных) и высококачественных (полностью отобранных, деноизированных) изображений используются для обучения сети для выполнения обратного отображения. При наличии достаточных данных обучения сеть обобщается для невидимых приобретений, эффективно изучая базовую статистику изображений и физику приобретения. Многие современные подходы также включают передовую модель (например, матрицу кодирования МРТ или трансформацию КТ Радона) в проектирование сети, смешивая обучение с физическими ограничениями. Этот гибридный подход повышает надежность и уменьшает количество необходимых данных обучения.

Ключевые технологии AI, используемые

Несколько архитектур глубокого обучения были адаптированы для динамической реконструкции изображений, каждая из которых имеет свои сильные стороны:

Свёрточные нейронные сети (CNN)

CNN — это рабочие лошадки реконструкции изображения. Они используются для обезличивания, уменьшения артефактов и супер-разрешения. Типичный CNN принимает низкокачественный вход и производит улучшенный выход через серию сверточных слоев и нелинейных активаций. Для динамической визуализации 2D CNN могут применяться кадр за кадром, но 3D или 2,5D CNN, которые включают временную информацию, часто дают лучшие результаты, используя корреляции во времени. U-Net, архитектура CNN с пропускными соединениями, особенно популярна для медицинской реконструкции изображения из-за его способности сохранять мелкие детали.

Генеративные состязательные сети (GAN)

GAN состоят из сети генераторов, которая производит изображения, и сети дискриминаторов, которая пытается отличить реальные от сгенерированных изображений. При реконструкции генератор обучается создавать изображения, которые не только близки к истине в пикселях, но и чувственно реалистичны. GAN использовались для генерации изображений с высоким разрешением из данных с высокой недостаточной выборкой, что делает их ценными для динамической визуализации, где время сбора ограничено. Например, GAN может реконструировать динамический ряд МРТ с полным разрешением всего из нескольких образцов на кадр, резко улучшая временное разрешение без ущерба для пространственных деталей.

Рекуррентные нейронные сети (RNN) и трансформаторы

Поскольку динамическая визуализация включает в себя последовательности, повторяющиеся архитектуры, такие как сети с длинной кратковременной памятью (LSTM) и, в последнее время, трансформаторы зрения, могут моделировать временные зависимости. Эти сети обрабатывают последовательность неизученных кадров и производят последовательные реконструкции с течением времени, уменьшая мерцание и временные артефакты. Трансформаторы с их механизмами самовнимания показали самые современные результаты в динамической реконструкции КТ и МРТ, захватывая пространственно-временные корреляции дальнего действия.

Вариационные автокодировщики (VAE)

VAE — это генеративные модели, которые изучают вероятностное латентное представление данных. При реконструкции VAE можно использовать в качестве предварительного ограничения пространства решения, особенно когда данные ограничены. Они менее распространены, чем CNN и GAN, но были применены к низкодозной КТ и ускоренной МРТ, предлагая принципиальный способ справиться с неопределенностью при реконструкции.

Пример: ИИ в реконструкции МРТ

В динамической МРТ, такой как сердечная сине-визуализация, сердце движется непрерывно, требуя высокого временного разрешения. Традиционные методы либо получают данные медленно (компромиссное временное разрешение), либо используют параллельное визуализацию и сжатое зондирование для ускорения приобретения. Глубокое обучение на основе реконструкции может достигать коэффициентов ускорения 4-10 × при сохранении качества изображения, сопоставимого с полностью отобранными приобретениями. Сети обучаются на парах полностью отобранных и ретроспективно недосортированных k-пространственных данных. Во время вывода сеть берет недосэмплированное k-пространство (или псевдонимное изображение из наивного обратного преобразования Фурье) и выводит чистое изображение. Многие коммерческие платформы МРТ теперь включают модули реконструкции глубокого обучения, очищенные FDA (например, AIR Recon DL от GE, Deep Resolve от Siemens и Compressed Sensing с AI от Canon).

Пример: ИИ в реконструкции КТ

Динамические исследования перфузии КТ требуют повторного сканирования в интересующей области для отслеживания ввода и вымывания контрастного вещества. Это приводит к высоким дозам излучения. Реконструкция ИИ позволяет использовать протоколы низких доз путем обезвреживания полученных изображений. Свёрточные сети, обученные на парах изображений с низкими дозами и стандартными дозами КТ, могут снизить шум на 50-70% при сохранении краев и тонких структур. Кроме того, ИИ может реконструировать изображения из проекций с разреженным обзором, уменьшая радиационное воздействие и время сканирования. Это особенно полезно в педиатрических и скрининговых приложениях.

Преимущества ускоренной реконструкции

Интеграция ИИ в динамическую реконструкцию изображений дает множество ощутимых преимуществ, которые непосредственно влияют на клиническую практику:

• Быстрая обработка: Время восстановления падает с минут до секунд или миллисекунд. Это позволяет визуализировать в реальном времени во время таких процедур, как абляция катетера, биопсия опухоли или мониторинг контрастных инъекций. Для визуализации острого инсульта более быстрая реконструкция может сократить время от двери до лечения, улучшая результаты.
• Улучшенное качество изображения: Алгоритмы ИИ удаляют шум и артефакты, которые мешают низкодозному или быстрому сканированию. Изображения более четкие, с лучшим соотношением контраста к шуму, помогая обнаруживать тонкие поражения или аномалии движения.
• Сниженная доза излучения и контраста: Благодаря возможности качественной реконструкции из меньшего количества проекций (CT) или меньшего количества средних сигналов (MRI), ИИ позволяет снизить радиационное воздействие и уменьшить дозу контраста гадолиния, в соответствии с такими инициативами по безопасности, как Image Wisely и принцип ALARA.
• Улучшенное временное разрешение: ИИ может реконструировать изображения из непроверенных данных, эффективно увеличивая частоту кадров динамических исследований. Это имеет решающее значение для визуализации быстро движущихся структур, таких как сердечные клапаны или струи кровотока.
• Эффективность затрат: Автоматизированная реконструкция снижает необходимость ручной настройки параметров и повторного сканирования, увеличивая пропускную способность сканера. Она также позволяет использовать более дешевое оборудование с меньшей вычислительной мощностью, поскольку модели ИИ могут работать на облачных или периферийных устройствах.
• Согласованность и стандартизация: Модели ИИ применяют одни и те же правила реконструкции для всех пациентов и сканеров, уменьшая изменчивость между операторами и учреждениями. Это улучшает воспроизводимость в многоцентровых испытаниях и клинических рабочих процессах.

Реальные приложения и тематические исследования

Ускоренная ИИ динамическая визуализация уже применяется в нескольких клинических контекстах с высокими ставками:

• Кардиакальная МРТ: Реконструкция глубокого обучения позволяет делать снимки с помощью син в режиме реального времени без ЭКГ, упрощая процесс получения данных у пациентов с аритмией или неспособностью задерживать дыхание. Исследования показали эквивалентное или превосходное диагностическое качество по сравнению с обычными последовательностями задержки дыхания.
• Динамическая перфузия КТ: ИИ реконструирует карты перфузии всего мозга за секунды, что позволяет быстро оценить ишемическую полутеневую кость у пациентов с инсультом. Это имеет решающее значение для решений о лечении, таких как тромболиза или тромбэктомии.
• Интервенционная радиология: Реконструкция ИИ в реальном времени во время флюороскопии или конусной КТ обеспечивает руководство по размещению игл, абляции или эмболизации, сокращая время процедуры и улучшая точность.
• Ультразвук: Усиление луча с помощью ИИ и реконструкция улучшают частоту кадров и качество изображения при сердечном и сосудистом ультразвуке, что позволяет лучше визуализировать быстро движущиеся структуры.

Например, исследование 2023 года, опубликованное в Радиология , продемонстрировало, что сеть реконструкции глубокого обучения для динамической контрастной МРТ молочной железы сократила время приобретения на 50% при сохранении диагностической точности Радиология 2023. Аналогично, клиническое исследование с использованием реконструкции на основе GAN для низкодозной КТ-ангиографии сообщило о 60%-м сокращении дозы облучения без ущерба для очерчения сосуда J Cardiovasc Comput Tomogr 2022.

Проблемы и ограничения

Несмотря на свои обещания, ускоренная реконструкция с использованием ИИ сталкивается с несколькими препятствиями, которые необходимо устранить для широкого клинического применения:

• Зависимость и обобщение данных: Модели ИИ так же хороши, как и данные их обучения. Изменения в анатомии пациента, патологии, аппаратном обеспечении сканера и протоколах сбора данных могут привести к ухудшению производительности. Обучение различным, многоинституциональным наборам данных имеет важное значение, но логистически сложно из-за проблем конфиденциальности и барьеров обмена данными.
• Регулятивные и валидационные требования: Алгоритмы реконструкции ИИ классифицируются как медицинские устройства во многих юрисдикциях и требуют строгой проверки, включая клинические исследования, демонстрирующие безопасность и эффективность. FDA очистило несколько продуктов реконструкции ИИ, но процесс занимает много времени и дорог.
• Интерпретируемость и доверие:] Глубокие нейронные сети часто рассматриваются как «черные ящики». Радиологам и клиницистам необходимо понять, чем и почему реконструкция ИИ отличается от обычной. Инструменты объяснимости и количественная оценка неопределенности являются активными областями исследований, но еще не являются стандартными в коммерческих продуктах.
• Интеграция с клиническими рабочими процессами: Реконструкция ИИ должна органично вписываться в существующие системы PACS и отчетности. Задержки из-за времени вывода, задержки сети или обновлений модели могут нарушить рабочие процессы. Кроме того, изображения, генерируемые ИИ, должны быть последовательно помечены, чтобы избежать путаницы.
• Этические соображения: Предвзятость в данных об обучении может привести к неравенству в показателях работы в демографических группах. Для обеспечения справедливой работы необходим постоянный мониторинг и переподготовка.

Будущие направления

Область динамической реконструкции изображений на основе ИИ быстро развивается. Несколько перспективных направлений готовы решить текущие ограничения:

• Самоконтролируемое и неконтролируемое обучение: Снижение зависимости от больших парных наборов данных с помощью самоконтролируемых методов, таких как шум2-шум или обучение на основе согласованности данных. Эти подходы могут учиться только на основе данных с недостаточной выборкой, расширяя применимость к редким условиям.
• Федерированное обучение: Позволяет проводить совместное обучение моделей в различных учреждениях без обмена необработанными данными, сохраняя конфиденциальность при одновременном улучшении обобщения. Ранние пилотные проекты в радиологии показывают осуществимость.
• Физико-информированные нейронные сети (PINN): Включение физических моделей (например, динамика потока, движение тканей) непосредственно в сетевую архитектуру может повысить точность и надежность реконструкции, особенно для динамических процессов с известными управляющими уравнениями.
• Реально-временная адаптивная реконструкция: Будущие системы могут адаптировать параметры реконструкции на лету на основе входящего качества данных, движения пациента или клинической задачи, максимизируя диагностическую ценность в реальном времени.
• Интеграция с цифровыми близнецами: Комбинация реконструкции ИИ с цифровыми близнецами, специфичными для пациента, может обеспечить прогностическую визуализацию — реконструкцию не только текущей анатомии, но и моделирование будущих состояний для планирования лечения.

FDA признало потенциал ИИ в медицинской визуализации и выпустило руководящие документы по представлению устройств с поддержкой ИИ / ML (]FDA AI / ML Guidance . По мере созревания этих регуляторных путей в клиническое использование войдет больше инструментов реконструкции ИИ.

Заключение

Искусственный интеллект коренным образом меняет ландшафт динамической реконструкции изображений. Позволив создавать почти мгновенное, высококачественное изображение из непроверенных или шумных данных, ИИ преодолевает давние барьеры для функциональной визуализации в режиме реального времени с низкими дозами. Преимущества — более быстрая диагностика, снижение радиации, улучшение качества изображения — напрямую приводят к улучшению ухода за пациентами. Однако реализация полного потенциала ИИ в динамической визуализации требует постоянных инвестиций в надежные данные обучения, прозрачные алгоритмы и строгую клиническую проверку. По мере ускорения исследований и разработок следующее десятилетие обещает привести восстановленную динамическую визуализацию в рутинную клиническую практику, открывая эру точной медицины в реальном времени, которая когда-то была предметом научной фантастики.