Magnetic resonance imaging (MRI) is een van de meest effectieve technologieën om de binnenste structuren van het menselijk brein te analyseren. De technologie, die gebruik maakt van een magnetisch veld en radiogolven om beelden van zacht weefsel te maken, is niet-invasief en maakt geen gebruik van straling. Maar het heeft nadelen. Onderzoekers hebben twee generatieve AI-modellen ontwikkeld waarmee de beeldkwaliteit van MRI van de hersenen verbeterd kan worden.
Wanneer een MRI-scan gemaakt wordt, dan hebben de bewegingen die een patiënt maakt, hoe stil ze ook proberen te blijven liggen, een negatieve invloed op de kwaliteit van de scan. Denk aan het ademen, knipperen met de ogen of subtiele kleine bewegingen van het hoofd of lichaam. Onderzoekers zijn mede daarom voortdurend op zoek naar nieuwe manieren om het menselijk brein met behulp van een MRI-scan beter in beeld te brengen.
Generatieve AI-modellen voor betere MRI kwaliteit
In het laboratorium van Li Wang, Ph.D., universitair hoofddocent aan de afdeling Radiologie, hebben onderzoekers nu twee nieuwe generatieve AI-modellen ontwikkeld waarmee de beeldkwaliteit van een hersen-MRI verbeterd kan worden. Het ene model kan nauwkeuriger niet-hersenweefsel uit beelden verwijderen en het andere model kan de beeldkwaliteit aanzienlijk verbeteren. De artikelen van beide modellen zijn onlangs gepubliceerd in het tijdschrift Nature Biomedical Engineering.
“Beeldkwaliteit is belangrijk voor het visualiseren van de anatomie en pathologie van de hersenen en kan helpen bij het nemen van klinische beslissingen. Onze generatieve AI-modellen kunnen nauwkeurigere en betrouwbaardere analyses van hersenstructuren uitvoeren, wat cruciaal is voor vroegtijdige detectie, diagnose en bewaking van neurologische aandoeningen,” aldus Wang.
‘Skull-striping’
Voordat een MRI beelden volledig kan verwerken, moeten eerst de botten rondom de hersenen (schedel) en ander niet-hersenweefsel uit de beelden worden verwijderd. Dit proces, dat “skull-striping” wordt genoemd, stelt radiologen in staat om hersenweefsel ongehinderd te bekijken. MRI's hebben echter vaak moeite met het produceren van nauwkeurige en consistente resultaten wanneer de scangegevens steeds afkomstig zijn van verschillende soorten scanners, personen en formaten.
Het ‘skull-striping’ proces wordt bemoeilijkt wanneer de hersenen dynamische veranderingen ondergaan, zoals de grootte van de hersenen en omgekeerd weefselcontrast tussen witte stof (WM) en grijze stof (GM). Als gevolg hiervan kan met ‘skull-striping’ onbedoeld te veel of te weinig niet-hersenweefsel rondom de hersenen verwijderd worden. Dit resulteert staat dan een nauwkeurige interpretatie van de anatomie van de hersenen in de weg.
Het eerste nieuwe AI-model zorgt voor een verbetering van het ‘skull-striping’ proces. Hiermee kan niet-hersenweefsel nauwkeuriger verwijderd worden en veranderingen in hersenvolume tijdens de levensduur voorspeld worden. Met behulp van een grote en diverse dataset van 21.334 levenslopen, verkregen van 18 locaties met verschillende beeldvormingsprotocollen en scanners, bevestigden de onderzoekers dat hun model de onderliggende biologische processen van hersenontwikkeling en -veroudering getrouw in kaart kan brengen. Limei Wang, een promovendus in het Wang-lab, was hoofdauteur van het artikel.
Brain MRI Enhancement
Het tweede AI-model, genaamd Brain MRI Enhancement foundation (BME-X), werd gebouwd om de algehele beeldkwaliteit te verbeteren. Net als het ‘kkull-striping’ model werd BME-X getest op meer dan 13.000 beelden van verschillende patiëntenpopulaties en scannertypes. Onderzoekers ontdekten dat het beter presteerde dan andere geavanceerde methoden bij het corrigeren van lichaamsbewegingen, het reconstrueren van beelden met een hoge resolutie uit beelden met een lage resolutie, het verminderen van korrelige ruis en het verwerken van pathologische MRI's.
Een van de meest opmerkelijke prestaties is het vermogen van het model om beelden van verschillende MRI-scanners te “harmoniseren”. Er zijn verschillende MRI-scanners in gebruik in klinieken en in het hele land en de wereld, waaronder die van Siemens, GE en Philips, en ze gebruiken allemaal verschillende modellen en beeldvormingsparameters. Deze variabiliteit kan het voor clinici en onderzoekers moeilijk maken om duidelijke en consistente resultaten te krijgen. BME-X kan alle gegevens opnemen en het speelveld gladstrijken door “geharmoniseerde” gegevens te creëren die gebruikt kunnen worden voor klinische of onderzoeksdoeleinden.
Beide AI-modellen hebben de potentie om klinische onderzoeken en studies te vergemakkelijken waarbij meerdere onderzoeksinstellingen of MRI-scanners betrokken zijn. Op het gebied van neurobeeldvorming kunnen de modellen ook worden gebruikt om nieuwe, gestandaardiseerde beeldvormingsprotocollen en -procedures te creëren. Ze kunnen ook worden toegepast op andere beeldvormingsmodaliteiten, zoals CT-scans.
