Штучний інтелект на базі нейронних мереж AiCE: ефективно усуває шум при збереженні МРТ-сигналу

Хунг П. До, доктор філософії, менеджер з медичних питань – клінічний спеціаліст Canon Medical Systems USA, Inc.

Canon Medical представила штучну нейронну мережу на базі нейронних мереж глибокого начання AiCE (Advanced intelligent Clear-IQ Engine), яка використовує Deep Convolutional Neural Network з урахуванням фізики МРТ та принципів обробки сигналів. Урахування фізики МРТ, обробки сигналу та використання штучних нейронних мереж дозволяє AiCE ефективно видаляти шум, зі збереженням рівня МРТ-сигналу, зберігаючи таким чином анатомічні та патологічні структури.

У літературі з обробки сигналів добре відомо, що зменшення шумів і стиснення зображення є набагато ефективнішими, якщо вони виконуються в k-просторі. Наприклад, вейвлет-перетворення широко використовується для усунення шумів, а дискретне косинусне перетворення є основою популярного стандарту стиснення JPEG, який є незамінним для передачі цифрових зображень і фотографій через Інтернет.

При роботі AiCE вхідне зашумлене зображення спочатку обробляється за допомогою дискретного косинусного перетворення, що призводить до розділення низькочастотної складової та високочастотної складової сигналу. Тоді адаптивна техніка видалення шуму на основі глибокого машинного навчання AiCE виконується лише на високочастотних компонентах, залишаючи низькочастотний компонент незмінним.

Є дві причини через, які процесс відбувається саме таким чином. По-перше, тепловий шум зазвичай є високочастотним і може міститися лише у високочастотних компонентах Фур’є-перетворення. По-друге, низькочастотний компонент, по суті, є відфільтрованою низькочастотною версією вхідного зображення, яка містить його основний контраст. Використання схеми, в якій низькочастотна компонента не обробляється, дозволяє AiCE зберегти контраст зображення та загальний вміст зображення.

AiCE розроблено для видалення лише гаусового шуму, який присутній на МРТ-зображенні. Це досягається шляхом поєднання підготовки навчальних даних і роботи штучної нейронної мережі, що дозволяє AiCE надійно видаляти шум, при збережені МРТ-сигналу. Основні характеристики AiCE описані нижче:

· Дані для навчання були підготовлені шляхом отримання МРТ-зображень з високим співвідношенням сигнал/шум (Signal-to-Noise Ratio або SNR).

· Зашумлені вхідні зображення моделювали шляхом додавання шуму Гауса до цільових зображень із високим SNR. Щоб забезпечити клінічну застосовність, для отримання навчальних даних було додано широкий діапазон клінічно значущих рівнів шуму. Це дозволяє AiCE бути стійким до різних рівнів шуму вхідних зображень під час роботти.

·  AiCE використовує адаптивний метод м’якого зглажування для усунення шуму. Цей метод відрізняється від того, що зазвичай використовується в програмах комп’ютерного зору. Причина полягає в тому, що метод м’якого зглажування має доведену наукову ефективність для усунення шуму на МРТ-зображеннях.

·  Навчальні дані AiCE були підготовлені таким чином, що штучна нейронна мережа навчалась лише реконструювати чисте зображення з шумом у чисте зображення. Через це нейронна мережа не додає нову інформацію на зображення, оскільки єдиною різницею між вхідним і цільовим зображеннями був шум, а штучна нейронна навчалась видаляти лише шум.

На рис. 1 показано, що AiCE навчено лише видаляти шум, зберігаючи анатомічні структури. На рис. 2 і 3 показано, що на реконструйованих AiCE зображеннях зберігаються анатомічні та патологічні особливості.

Таким чином, розуміння роботи фізики МРТ, навички обробки сигналу і використання глибокого навчання дозволяє AiCE ефективно видаляти шум, при збереженні МРТ-сигналу. Це забезпечує виняткову якість зображення в різних клінічних протоколах. Ефективність AiCE була перевірена та підтверджена на неклінічних дослідженнях фантомів та клінічних дослідженнях людини.

Рис. 1. Зображення субтракції демонструють, що AiCE (нижній ряд) ефективно усуває шум, зберігаючи анатомічні особливості.

Рис. 2. Розриви меніска (стрілки) збереглися на зображенні, обробленому за допомогою AiCE.

Рис. 3. Ураження розсіяного склерозу (стрілки) збереглися на зображенні, обробленому за допомогою AiCE.