磁共振成像（MRI）是一种强大的非侵入性工具，用于检查人脑。它利用磁场和无线电波生成软组织的详细图像，在诊断脑部疾病和进行神经科学研究方面具有不可替代的价值。然而，尽管MRI有诸多优点，但在患者移动导致图像模糊或伪影，以及不同扫描仪之间的差异影响图像一致性时，仍然存在挑战。
为了解决这些问题，美国北卡罗来纳大学李王实验室的研究人员开发了两个先进的AI模型。这些模型旨在提高MRI成像质量，改善诊断准确性，并提供更深入的脑发育和老化研究。研究成果发表在《自然生物医学工程》上，展示了AI在神经成像领域的巨大潜力。
通过AI增强脑成像
李王团队开发的第一个AI模型专注于改进“颅骨剥离”过程。这一步骤涉及从MRI图像中去除头骨和其他非脑组织，以获得清晰的脑结构视图。虽然这个步骤至关重要，但颅骨剥离常常面临准确性问题，尤其是在处理不同年龄的脑大小变化、组织对比度或结构差异时。
李王的AI驱动颅骨剥离模型通过准确分离大脑和周围组织克服了这些挑战。该模型基于来自18个不同站点、采用多种成像协议和扫描仪收集的21,334张MRI扫描图像的大数据集进行训练。通过利用这一广泛的数据集，AI模型可以可靠地跟踪一个人生命历程中的脑发育和老化。这种能力对于理解大脑随时间的变化以及诊断与此相关的疾病特别有价值。
通过BME-X提高成像质量
第二个AI模型被称为脑磁共振成像增强基础（BME-X），旨在提高MRI图像的整体质量。由于扫描仪型号、成像参数和患者移动的不同，MRI扫描往往在分辨率、噪声水平和清晰度上存在差异。
BME-X通过提高图像分辨率、减少噪声、校正运动伪影，甚至协调来自不同MRI扫描仪的数据来解决这些问题。例如，西门子、GE和飞利浦等制造商的MRI扫描仪使用不同的成像协议，导致图像质量不一致。BME-X可以处理这些多样化的输入并生成“协调”的图像，确保无论扫描仪类型如何都能获得一致的结果。这种协调对于多中心研究和临床试验至关重要，因为它们需要一致的成像数据来进行准确分析。
实际应用和益处
这两种AI模型已在大型和多样化数据集上进行了严格测试。颅骨剥离模型验证了超过21,000张MRI扫描图像，而BME-X测试了来自不同患者群体和扫描仪类型的13,000多张图像。在这两种情况下，模型在准确性、质量提升和适应性方面均优于现有方法。
这些进步对临床护理和研究具有重要意义。通过生成更清晰和可靠的图像，AI模型可以提高早期检测、诊断和监测神经系统疾病的能力。它们还可以促进涉及多个研究中心或成像模式（如CT扫描）的研究，通过标准化成像协议和减少变异性来实现。
例如，BME-X纠正运动伪影和增强低分辨率图像的能力使得与年轻患者合作变得更加容易，因为他们通常难以在扫描期间保持静止。同样，协调的数据可以改善机构间的合作，从而产生更稳健的研究结果。
迈向标准化成像
李王实验室的工作突显了AI在神经成像领域的变革潜力。通过解决MRI技术长期存在的挑战，这些模型为更好的诊断、更有效的治疗和更深入的脑健康洞察铺平了道路。此外，这些模型对其他成像技术（如CT扫描）的适应性表明其益处可能超越MRI。
随着成像技术的不断发展，这些AI模型代表了创建标准化和可靠成像协议的重要一步，最终改善患者的治疗效果并推动神经科学领域的发展。
(全文结束)
