在人工智能和医学科学的交汇点上，越来越多的研究兴趣集中在利用机器学习来增强磁共振成像（MRI）技术捕获的影像数据。最近的研究表明，7特斯拉（7T）超高场强MRI相比3特斯拉（3T）高场强MRI，在区分对识别和监测病理组织尤其重要的解剖结构方面，具有更高的分辨率和临床优势。
目前，美国大多数临床MRI检查都是使用1.5T或3T的MRI系统进行的。截至2022年，美国国立卫生研究院记录显示，全球用于诊断成像的7T MRI机器仅有约100台。
加州大学旧金山分校（UCSF）的研究人员开发了一种机器学习算法，通过合成类似7T的图像来增强3T MRI图像，这些图像近似于真实的7T MRI图像。他们的模型提高了病理组织的保真度，为临床洞察提供了更多帮助，代表了评估合成7T MRI模型临床应用的新一步。这项研究于10月7日在第27届国际医学图像计算与计算机辅助干预会议（MICCAI）上发表。
“我们的论文介绍了一种从低质量图像合成高质量MRI的机器学习模型。我们展示了这一AI系统如何改善MRI捕捉到的创伤性脑损伤（TBI）中脑部异常的可视化和识别能力，”该研究的资深作者、UCSF神经学助理教授Reza Abbasi-Asl博士说。
“我们的发现突显了AI和机器学习在提高较不先进成像系统捕获的医疗图像质量方面的潜力。”
更好地观察TBI和多发性硬化症
UCSF研究人员收集了被诊断为轻度创伤性脑损伤（TBI）患者的影像数据。他们设计并训练了三个神经网络模型，以执行图像增强和3D图像分割，使用从标准3T MRI生成的合成7T MRI图像。
新模型生成的图像为轻度TBI患者提供了增强的病理组织。他们选择了一个带有白质病变和皮层下微出血的区域作为比较对象。结果发现，合成的7T图像中病理组织更容易识别，这表现在相邻病变的分离和皮层下微出血的更锐利轮廓上。
此外，合成的7T图像更好地捕捉了白质病变内的多种特征。这些观察结果也突显了利用该技术提高多发性硬化症等神经退行性疾病诊断准确性的潜力。
尽管基于机器学习框架的合成技术表现出色，但其在临床环境中的应用仍需广泛验证。研究人员相信，未来的工作应包括对模型发现的广泛临床评估、对模型生成图像的临床评分以及对模型不确定性的量化。
更多信息：Qiming Cui等人，《从3T采集合成7T MRI》，《医学图像计算与计算机辅助干预会议论文集》（2024）。DOI: 10.1007/978-3-031-72104-5_4。由加州大学旧金山分校提供。
(全文结束)
