Исследователи МИТ используют глубокое обучение и физику для исправления искаженных движением снимков МРТ
MIT researchers use deep learning and physics to correct distorted motion in MRI images.
МРТ (магнитно-резонансная томография) – это тест, который создает четкие изображения структур внутри вашего тела с помощью большого магнита, радиоволн и компьютера. Врачи используют МРТ для оценки, диагностики и контроля нескольких медицинских состояний.
В то время как рентгеновские лучи и компьютерная томография имеют свои преимущества, МРТ-сканы обладают превосходным контрастом мягких тканей и высококачественным изображением. Однако МРТ остается подверженным движению, где даже незначительные движения могут вызывать помехи на изображении. Эти артефакты, которые нарушают точность медицинских изображений, могут затруднить определение причины заболевания пациента врачами. Это может привести к менее эффективным лечениям, поскольку врачи могут упустить важные детали.
Даже короткие сканирования могут быть нарушены незначительными движениями, которые существенно влияют на изображения МРТ. В отличие от размытия в фотокамерах, движение при МРТ может искажать всё изображение.
- Исследователи Google AI предлагают общий подход к генерации персонализированного текста с использованием больших языковых моделей (LLM).
- Исследователи из Alibaba предлагают INSTAG открытый теггер для тонкой классификации, использующий способность современных чат-ботов, таких как ChatGPT, следовать инструкциям.
- Исследователи Microsoft представляют SpeechX универсальную модель генерации речи, способную выполнять TTS без обучения и различные задачи преобразования речи.
Как показывает исследование Радиологического университета Вашингтона, примерно 15 процентов МРТ-сканов головного мозга подвержены движению, требуя дополнительных сканирований. Это увеличивает годовые затраты на каждый сканер в больницах до примерно 115 000 долларов, направленные на получение диагностически достоверных изображений различных модальностей МРТ.
Чтобы решить эту проблему, исследователи из Массачусетского технологического института продвинулись вперед, используя возможности технологии глубокого обучения. Они использовали глубокое обучение для поиска решения. Они сочетали глубокое обучение с физикой и сделали удивительные открытия.
Их метод заключается в компьютерном создании изображения без движения из данных с искаженным движением без изменения процедуры сканирования. Важность принятия этого комплексного подхода заключается в его способности сохранять согласованность между полученными изображениями и фактическими измерениями объекта.
Не достигнув такого согласования, модель может создать то, что называется “галлюцинациями” – кажущимися реальными изображениями, которые на самом деле отклоняются от фактических физических и пространственных характеристик. Такие расхождения могут потенциально изменить диагностические результаты, что подчеркивает важность точного представления в медицинской визуализации.
В будущем они подчеркивают захватывающий потенциал для проведения более сложных исследований, касающихся более сложных видов движения головы и движения, влияющего на различные части тела. Например, при пренатальной МРТ вызов заключается в справлении с быстрым и непредсказуемым движением, что выходит за рамки возможностей базовых моделей трансляции и поворота. Это подчеркивает необходимость разработки более сложных стратегий, учитывающих сложные шаблоны движения, что предлагает многообещающие возможности для улучшения применения МРТ в различных анатомических сценариях.
