2020-01-30 | 박희윤 기자

KAIST开发无需重拍即可获得MRI加权图像的AI技术

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

KAIST于30日表示,生物及脑工程系Ye Jong-chul教授研究团队开发出一项人工智能技术,可在磁共振成像(magnetic resonance imaging·MRI)中无需重新拍摄即可获得缺失的加权图像。

通过该研究,可客观揭示各类疾病中加权图像对癌症诊断的影响,并有望设计出在实际临床中高效、系统地利用高成本MRI的方案。

由李东旭博士作为第一作者参与、建国大学医学院影像医学科文元振教授团队参与的此次研究成果,发表于国际学术期刊《自然·机器智能》(Nature Machine Intelligence)1月18日在线版。

MRI与X射线计算机断层扫描、超声波一同是在临床诊断中发挥重要作用的诊断设备。特别是由于以非侵入方式获得高分辨率图像,在观察并诊断肿瘤或病变方面提供了非常重要的临床信息。这得益于MRI可多样调节图像对比度(contrast)的特性。

例如,用于诊断脑肿瘤的T1·T2加权图像、FLAIR技术图像、T1增强图像等多种对比图像,可通过获取并用于诊断来发现肿瘤。

但在实际临床环境中,往往难以获得全部加权图像。因为拍摄多张加权图像会导致拍摄时间延长,且常因噪声或伪影而难以用于诊断。

此外,用于脑疾病诊断的MRI检查,必需的加权图像会因怀疑的疾病不同而有所差异,之后随着诊断范围缩小到特定疾病,往往不得不重新拍摄以获取遗漏的加权图像。这种情况会消耗大量时间与费用。

近来人工智能领域中,利用名为生成对抗网络(Generative adversarial networks·GAN)的深度学习合成图像的技术被大量报道,但若将该技术用于MRI加权图像合成,需要准备并预先学习的网络就会过多。

此外,由于此类方法学习的是从一个图像到另一个图像的关系,因此现实中即使存在若干加权图像,也没有能够利用这些信息之间协同效应的图像学习方法。

Ye教授研究团队利用自主开发的“协作生成对抗网络(Collaborative Generative Adversarial Network·CollaGAN)”技术,通过学习多个MRI加权图像的共同特征空间,解决了扩展性问题。

由此提出了关于哪些对比图像可以生成、哪些不可生成的问题,以及对此进行系统性回答的方法。

也就是说,在多个加权图像中,即使以任意顺序和数量缺失图像,也可通过剩余图像学习复原缺失图像的方法,随后评估合成图像的临床准确度,从而开发出能够自动评价加权图像间重要度的原创技术。

Ye教授研究团队通过与建国大学文元振教授研究团队的合作,确认了如T1加权·T2加权图像这样的内源性加权图像可从其他图像准确合成,且合成的加权图像与实际图像极为相似地表达了临床信息。

研究团队确认,所获得的合成图像通过脑肿瘤分割技术,为掌握脑肿瘤范围提供了有用信息。此外还证明,目前广泛使用的合成MRI技术(synthetic MRI)中产生的伪影图像也可自动去除。利用该技术,可在无需额外重新拍摄的情况下生成所需的对比图像,有望大幅减少时间与费用。

建国大学影像医学科文元振教授表示:“如果在临床现场使用本研究开发的方法通过人工智能获得的合成图像,将最大限度减少因重新拍摄给患者带来的不便,提高诊断准确度,从而带来整体医疗费用下降的效果。”

Ye Jong-chul教授表示:“这是一项独创性研究,表明人工智能可以超越目前用于诊断和图像处理的应用范围,在选择诊断重要度和规划诊断规程方面发挥重要作用。”

阅读韩文原文