Come funziona l'algoritmo di Deep Learning di SwiftMR.

SwiftMR è un prodotto basato sul deep learning che migliora la qualità delle immagini RM.

In che modo questo algoritmo si differenzia dagli algoritmi di deep learning esistenti per raggiungere prestazioni di ricostruzione così eccezionali? Cerchiamo di capirlo passo dopo passo!

Quando si esegue una risonanza magnetica, vengono innanzitutto ottenuti dati grezzi, chiamati dati dello spazio k. Ogni punto nei dati dello spazio k è definito campione. Il numero di campioni e il livello di rumore di ciascun campione nei dati dello spazio k variano a seconda dei parametri di scansione impostati. Quando i parametri di scansione sono impostati per un tempo di scansione più lungo, è possibile ottenere più campioni, ciascuno con un livello di rumore inferiore. Mentre, con i parametri di scansione impostati per un tempo di scansione più breve, è necessario ottenere meno campioni, ciascuno con un livello di rumore maggiore. Dopo una serie di operazioni matematiche, questi dati dello spazio k vengono trasformati in un'immagine RM che rivela la struttura del nostro corpo. La qualità dell'immagine dipende dal numero di campioni nei dati dello spazio k e dal livello di rumore di ciascun campione.

Migliorare la qualità delle immagini RM attraverso un algoritmo di deep learning significa essenzialmente trasformare un'immagine in "un'immagine creata da  k -spazio ottenuta con un numero maggiore di campioni e un livello inferiore di rumore di campionamento".

Diamo un'occhiata più da vicino alla parte "un numero maggiore di campioni".

Esistono diversi modi per acquisire più  campioni k -spazio:

• campionare più densamente (fattore di sottocampionamento uniforme/casuale inferiore)

• estendere l'intervallo di campionamento (kmax più elevato)

• campionare in una forma ellittica più ampia (fattore di campionamento ellittico più elevato)

• campionare in modo più simmetrico (fattore di Fourier parziale più elevato).

Ognuno di questi metodi influisce sulla qualità dell'immagine in modo matematico diverso ed è indipendente dagli altri; in altre parole, non possono sostituirsi a vicenda.

Ad esempio, sebbene sia l'estensione dell'intervallo di campionamento che il campionamento più simmetrico, condividano il vantaggio comune di migliorare la risoluzione percepita, l'estensione dell'intervallo di campionamento non attenua la sfocatura causata dal campionamento asimmetrico.

Per dimostrarlo, abbiamo elaborato la stessa immagine più volte, incorporando ogni volta in sequenza un ulteriore aspetto di miglioramento, e poi ne abbiamo osservato i cambiamenti. Le immagini ricostruite a ogni passaggio sono illustrate nella figura seguente.

1. Nell'Immagine 1, viene considerato solo il miglioramento del rumore del campione nello spazio k.

2. L'Immagine 2 include inoltre l'estensione dell'intervallo di campionamento nella direzione della frequenza.

3. L'Immagine 3 aggiunge ulteriormente il campionamento in modo più simmetrico nella direzione della fase.

4. Anche l'Immagine 4 incorpora l'estensione dell'intervallo di campionamento nella direzione della fase.

5. Infine, l'Immagine 5 aggiunge l'estensione dell'intervallo di campionamento nella direzione della sezione.

Ogni passaggio ha mostrato un miglioramento della qualità dell'immagine corrispondente al nuovo aspetto aggiunto.

Confrontando l'immagine originale con l'Immagine 5 completamente elaborata con SwiftMR, è evidente il raggiungimento di un miglioramento della qualità dell'immagine multidimensionale. Altri aspetti sono stati esclusi dalla figura di esempio sottostante perché erano già al massimo nell'immagine originale.

Finora abbiamo introdotto il segreto delle straordinarie prestazioni di SwiftMR, ovvero il miglioramento multidimensionale della qualità delle immagini. La combinazione di miglioramenti qualitativi in ​​questi diversi aspetti si traduce in eccezionali miglioramenti in termini di risoluzione e rapporto segnale-rumore.

È qui che SwiftMR si differenzia dalla maggior parte degli algoritmi di deep learning esistenti, che migliorano la qualità delle immagini solo in un aspetto (fattore di sottocampionamento uniforme/casuale).

Fonte: Geunu Jeong, responsabile della ricerca SwiftMR presso AIRS Medical