شفقنا – محققان دو مدل هوش مصنوعی طراحی کرده اند که می‌تواند به بهبود کیفیت تصویربرداری، بهبود دقت تشخیصی و ارائه درک عمیق‌تر در مورد مغز کمک کند.

به گزارش سرویس ترجمه شفقنا، ام آر آی (تصویربرداری مغناطیسی) ابزاری قدرتمند و غیرتهاجمی برای بررسی مغز و اعصاب انسان است. از میدان‌های مغناطیسی و امواج رادیویی برای تولید تصاویر دقیق از بافت‌های نرم استفاده می‌کند و آن را برای تشخیص اختلالات مغزی و انجام تحقیقات عصبی ارزشمند می‌سازد.

با این حال، با وجود مزایای آن، ام آر آی چالش‌هایی دارد، به ‌ویژه زمانی که حرکت بیمار باعث ایجاد تصاویر تار یا مصنوعی می‌شود، یا زمانی که تنوع بین اسکنرها بر ثبات و هماهنگی تصاویر تأثیر می‌گذارد.

برای رفع این مشکلات، محققان آزمایشگاه لی وانگ در دانشگاه کارولینای شمالی دو مدل پیشرفته‌ هوش مصنوعی (AI) را توسعه داده‌اند.

هدف این مدل‌ها بهبود کیفیت تصویربرداری ام آر آی، بهبود دقت تشخیصی و ارائه درک عمیق‌تر در مورد رشد و پیری مغز است. یافته‌های آنها پتانسیل هوش مصنوعی را برای متحول کردن تصویربرداری عصبی به نمایش می‌گذارد.

بهبود تصویربرداری مغز با هوش مصنوعی

اولین مدل هوش مصنوعی که توسط تیم وانگ توسعه یافته است، بر بهبود فرآیندی به نام “جمجمه ‌برداری” تمرکز دارد. این مرحله شامل حذف جمجمه و سایر بافت‌های غیرمغزی از تصاویر است تا دید واضحی از ساختارهای مغز ارائه دهد.

در حالی که جمجمه‌برداری ضروری است، اغلب مشکل دارد، به‌ویژه هنگام برخورد با تغییرات در اندازه‌ مغز، کنتراست بافت یا تغییرات ساختاری در سنین مختلف مواجه هستیم.

مدل مبتنی بر هوش مصنوعی وانگ بر این چالش‌ها غلبه می‌کند و با دقت مغز را از بافت‌های اطراف جدا می‌کند. این مدل بر روی مجموعه‌ داده‌های بزرگ 21.334 اسکن که از 18 سایت با استفاده از پروتکل‌ها و اسکنرهای تصویربرداری متنوع جمع‌آوری شده بود، آموزش داده شد.

مدل هوش مصنوعی با بهره‌گیری از این مجموعه‌ داده‌های گسترده، می‌تواند به‌طور قابل اعتمادی رشد و پیری مغز را در طول عمر یک فرد ردیابی کند. این قابلیت به‌ ویژه برای درک چگونگی تغییر مغز در طول زمان و برای تشخیص شرایط مرتبط با این تغییرات ارزشمند است.

بهبود کیفیت تصویربرداری با BME-X

دومین مدل هوش مصنوعی که به برای بهبود ام آر آی مغز شناخته می‌شود، (BME-X) است که برای بهبود کیفیت کلی تصاویر طراحی شده است. اسکن‌های ام آر آی اغلب از نظر وضوح، نویز و وضوح به دلیل تفاوت در مدل‌های اسکنر، پارامترهای تصویربرداری و حرکت بیمار متفاوت هستند.

BME-X با بهبود وضوح تصویر، کاهش نویز، تصحیح مصنوعات حرکتی و حتی هماهنگ‌سازی داده‌ها از اسکنرهای مختلف این مشکلات را برطرف میکند.

به عنوان مثال، اسکنرهای ام آر آی از تولیدکنندگان مختلف مانند زیمنس، جنرال الکتریک و فیلیپس هر کدام از پروتکل‌های تصویربرداری متفاوتی استفاده می‌کنند که منجر به ناهماهنگی در کیفیت تصویر می‌شود.

BME-X می‌تواند این ورودی‌های متنوع را پردازش کند و تصاویر “هماهنگ‌شده” تولید کند و نتایج ثابتی را بدون توجه به نوع اسکنر تضمین کند. این هماهنگ‌سازی برای مطالعات چندمرکزی و آزمایش‌های بالینی که در آنها داده‌های تصویربرداری سازگار برای تجزیه و تحلیل دقیق ضروری است، بسیار مهم است.

هر دو مدل هوش مصنوعی به طور دقیق بر روی مجموعه‌ی داده‌های بزرگ و متنوعی آزمایش شده‌اند. مدل جمجمه‌برداری بر روی بیش از 21000 اسکن ام آر آی اعتبارسنجی شد، در حالی که BME-X بر روی بیش از 13000 تصویر از جمعیت‌های مختلف بیمار و انواع اسکنر آزمایش شده است. در هر دو مورد، مدل‌ها در دقت، بهبود کیفیت و سازگاری بهتر از مدلهای فعلی عمل کردند.

این گزارش افزود، این پیشرفت‌ها پیامدهای قابل توجهی برای مراقبت بالینی و تحقیقات دارند. مدل‌های هوش مصنوعی با تولید تصاویر واضح‌تر و قابل اعتمادتر، می‌توانند تشخیص زودهنگام، تشخیص و نظارت بر شرایط عصبی را بهبود بخشند.

گامی به سوی تصویربرداری استاندارد

تحقیقات آزمایشگاه وانگ پتانسیل تحول‌آفرین هوش مصنوعی در تصویربرداری مغز و اعصاب را برجسته می‌کند. این مدل‌ها با پرداختن به چالش‌های دیرینه در فناوری ام آر آی، راه را برای تشخیص‌های بهتر، درمان‌های مؤثرتر و درک عمیق‌تر در مورد سلامت مغز هموار می‌کنند.

علاوه بر این، انطباق‌پذیری این مدل‌ها با سایر تکنیک‌های تصویربرداری، مانند سی‌تی اسکن، نشان می‌دهد که مزایای آنها می‌تواند فراتر از ام آر آی گسترش یابد.

این خبر را اینجا ببینید.