پای فناوری هوش مصنوعی به بخش تازه‌ای از صنعت بهداشت و درمان باز شده و از این به بعد شاهد استفاده از یادگیری عمیق در MRI خواهیم بود. تصویربرداری تشدید مغناطیسی که بیشتر با نام MRI شناخته می‌شود ابزاری غیرتهاجمی برای تشخیص بیماری است. از این ابزار برای تشخیص و ارزیابی میزان پیشروی بیماری‌های مغز و اعصاب، اختلالات اسکلتی-عضلانی، بیماری‌های قلبی-عروقی و سرطان استفاده می‌شود. هرچند، MRI مزایای بیشتری نسبت به سایر تکنیک‌های تصویربرداری پزشکی دارد، اما سرعت کم آن منجر به افزایش هزینه‌ها، مضطرب شدن بیماران، و کاهش کیفیت تصویر می‌شود. علاوه بر این، گاهی مجبور می‌شویم به کودکان داروی آرام‌بخش بدهیم.
مؤسسه ملی بهداشت (NIH) کمک‌هزینه‌‌‌ای به مبلغ ۳/۲ میلیون دلار (به مدت چهار سال) به گروهی بینارشته‌ای متشکل از مهندسان، پزشکان و دانشمندان اهدا کرده است تا تکنیک‌های سریع‌تر و دقیق‌تری برای MRI ارائه دهند؛ رهبری این گروه را دانشیار مهندسی پزشکی، رضوان احمد و استاد مهندسی کامپیوتر، فیلیپ اِشنیتر به عهده دارند.
در MRI بدن بیمار چندین بار اسکن می‌شود و این روند ممکن است یک یا بیشتر از یک ساعت به طول بینجامد. در طول اسکن از بیمار خواسته می‌شود چند دقیقه آرام و بی‌حرکت باقی بماند، زیرا کوچک‌ترین حرکتی بر کیفیت تصویر تأثیر می‌گذارد. علاوه بر این، تقاضا برای استفاده از MRI در مواردی که زمان اهمیت زیادی دارد، رو به افزایش است؛ تصویربرداری از قلب در حال تپش یا رویدادهای گذرا که فقط چند ثانیه به طول می‌انجامند، نمونه‌هایی از این دست هستند. حال کاربرد یادگیری عمیق در MRI قصد دارد عملکرد آن را بهبود بخشد.
اِشنیتر می‌گوید: «یکی از اصلی‌ترین محرک‌های ما کاهش مدت زمان MRI است. قصد داریم از تمامی متغیرهایی که در روش‌های تصویربرداری سنتی اندازه‌گیری می‌شوند استفاده نکنیم، اما در چنین حالتی تمامی اطلاعات کسب‌شده از این متغیرها را از دست می‌دهیم. چگونه می‌توانیم این اطلاعات را جایگزین کنیم؟»
یادگیری عمیق در MRI چه می‌کند؟
نحوه کار یادگیری عمیق در MRI به این صورت است که این پژوهشگران به منظور جایگزینی اطلاعات از دست رفته و بازیابی تصویر یک چارچوب یادگیری عمیق قدرتمند و جامع توسعه داده و صحت آن را ارزیابی می‌کنند. این چارچوب سرعت و کیفیت بازسازی تصویر MRI را افزایش می‌دهد.
چارچوب پیشنهادی این پژوهشگران با استفاده از الگوریتم‌های plug-and-play (PnP) مدل‌های جمع‌آوری داده را با مدل‌های تصویری آموزش داده‌شده تلفیق می‌کند. الگوریتم‌های plug-and-play (PnP) سریع‌تر از روش‌های سنتی تصویربرداری پزشکی، تصاویر را بازسازی می‌کنند و این درحالی است که کیفیت و ارزش تشخیصی این تصاویر بالاتر است. علاوه بر این، این پژوهشگران برای ارتقای کیفیت تصاویر از متدهای کاهش نویز مبتنی بر یادگیری عمیق استفاده می‌کنند. متن پژوهش آن‌ها در مجله پردازش سیگنال IEEE منتشر شده است.
به گفته اِشنیتر:« وجه تمایز روش plug-and-play (PnP) دوگانه بودن آن است؛ به عبارت دیگر در این روش از رویکردهای مبتنی بر یادگیری ماشین و رویکردهای فیزیک مهندسی استفاده شده و برای ارائه تصویر نهایی متناوباً میان آن‌ها تکرار می‌شود.»
چنان‌چه روش پیشنهادی این گروه برای استفاده از یادگیری عمیق در MRI به صورت کامل پیاده‌سازی و اجرا شود، مدت زمان اسکن MRI به نصف کاهش می‌یابد. در این روش نیازی به اصلاح سخت‌افزاری نیست؛ پایانه کامپیوتری که به اسکنر MRI متصل شده است، محاسبات را انجام می‌دهد.
پزشکان ترجیح می‌دهند تصاویری که اسکنر MRI ثبت می‌کند را بدون فوت وقت ببیند و بررسی کنند و در صورتی که این الگوریتم توسعه یابد می‌توان امیدوار بود که در عرض چند ثانیه تصویر را بازیابی کند.
این تیم برای نمایش کاربردهای گسترده الگوریتم خود، چارچوب آن را بر روی داده‌های MRI بیمارانی که در رده سنی کودکان و بزرگسالان قرار داشتند آزمایش خواهند کرد. این چارچوب به طور خاص می‌تواند در تصویربرداری متحرک قلب و مغز کاربرد داشته باشد. به عقیده احمد، در صورت موفقیت این چارچوب، ارتقای کیفیت تصاویر و تسریع فرایند MRI می‌تواند به تقریباً تمامی کاربردهای MRI فایده برساند. اهمیت کاهش مدت زمان MRI به ویژه در هنگام اسکن بدن کودکان مشخص می‌شود.
گاهی تصویربرداری دشوار است
طبق توضیحات احمد، «تصویربرداری کودکان به مراتب دشواتر است، زیرا کودکان کم سن و سال نمی‌توانند آرام و بی‌حرکت در اسکنر MRI قرار بگیرند و به همین دلیل باید به آن‌ها داروی آرام‌بخش داد.»، علاوه بر این «طبق نتایج تحقیقات مختلف، استفاده از داروی آرام‌بخش در طولانی مدت عوارض دارد و به همین دلیل مصرف آن را باید به حداقل رساند. از این روی، در تصویربرداری کودکان مهم است که بدن کودک را هر چه سریع‌تر اسکن کنیم.»
علاوه بر این، این تیم در نتیجه استفاده از برخی روش‌های خاص کاهش نویز در راهکاری که برای تصویربرداری از بدن ارائه داده بودند، به نتایج بهتری دست پیدا کرده‌اند. این الگوریتم‌ها با حذف آرتیفکت‌های غیرضروری از نمونه‌‌ها، کیفیت تصاویر را اراتقا می‌دهند.
به گفته احمد، هدف آن‌ها این است که این روش را به گونه‌ای توسعه دهند که در موارد خاص استفاده شود. به گفته وی: « تصاویر مغز با تصاویر قلب تفاوت زیادی دارند و به همین دلیل می‌توانیم روش‌های کاهش نویز را برای موارد خاص آموزش دهیم. با توجه به اینکه این روش کاهش نویز بسیار خاص است، عملکرد بهتری نیز خواهد داشت.»
در طول فرایند آموزش، این گروه از هزاران دیتاست تصویری، از جمله دیتاست تصویری fastMRI دانشگاه نیویورک برای آموزش متد کاهش نویز خود استفاده کردند.
به گفته اشنیتر، «روش‌های کاهش نویز، شبکه‌های عصبی محاسباتی هستند و ساختار پردازشی آن‌ها بسیار شبیه به مغز پستانداران است. ما برای آموزش آن‌ها از تعداد زیادی تصویر پزشکی استفاده می‌کنیم و در نهایت آن‌ها ساختار و نحوه حذف نویز از تصاویر پزشکی را می‌آموزند. این در حالی است که ما نحوه‌ی انجام این کار را با جزئیات برای آن‌ها شرح نداده‌ایم.»
این پژوهشگران به عنوان بخشی از پروژه خود و برای کمک به پیشرفت بیشتر این حوزه، منبعی (repository) متن باز از هزاران دیتاست تصویری قلب ایجاد کرده‌اند.
اِشنیتر می‌گوید: «کاری که پژوهشگر همکار ما، فلوریان نول با دیتاست fastMRI انجام داد الهام‌بخش ما بوده است و ما می‌خواهیم عملی مشابه با داده‌های مربوط به قلب انجام دهیم. ایجاد دیتاست به نوعی نقش کاتالیزور را برای پیشرفت‌های این حوزه ایفا می‌کند. بسیاری از گروه‌ها می‌توانند این داده‌های پزشکی را به کار گیرند و برای ارتقای عملکرد این متد با یکدیگر رقابت کنند.»
پژوهشگرانی از دانشگاه پزشکی ایالتی اوهایو، کارولینا زارِبا، دانشیار بیماری‌های قلبی-عروقی، اورلاندو سیمونتی، استاد رادیولوژی و بیماری‌های قلبی-عروقی، گای بروک، دانشیار پژوهشی انفورماتیک زیست‌پزشکی پژوهشگران همکار در این پژوهش هستند. دکتر مای لان هو از بیمارستان ملی کودکان و فلوریان نول، دانشیار رادیولوژی از دانشگاه نیویورک نیز پژوهشگران همکار در این پژوهش هستند.
این پژوهش تحت حمایت مؤسسه ملی تصویربرداری زیست‌پزشکی و مهندسی زیست‌شناسی (NIBIB) قرار دارد.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
منبع: هوشیو
