Skip to main content
European Commission logo print header

Breakthroughs in Quantitative Magnetic resonance ImagiNg for improved DEtection of brain Diseases

Article Category

Article available in the following languages:

Rozwój ilościowego obrazowania MRI poprawi opiekę nad pacjentami

Nowe osiągnięcia w technologii ilościowego rezonansu magnetycznego pozwalają radiologom wyciągać obiektywne wnioski na temat zaawansowania choroby mózgu.

Zdrowie icon Zdrowie

Cechujące się prawie stuprocentową czułością i swoistością obrazowanie metodą rezonansu magnetycznego (MRI) jest obecnie złotym standardem obrazowania. MRI szczególnie sprawdza się w badaniu tkanek miękkich, takich jak mózg, generując znacznie dokładniejsze obrazy niż rentgen czy tomografia komputerowa (TK). Jednak nawet technologia MRI nie jest pozbawiona wad. „Chociaż MRI dostarcza wysoce szczegółowych obrazów, pozwalają one jedynie na ocenę jakościową”, mówi Jan Sijbers, profesor na Uniwersytecie w Antwerpii. „Sprawia to, że uzyskany kontrast w dużej mierze zależy nie tylko od tkanek, ale także rodzaju skanera i protokołu użytego do rejestracji obrazu”. Jakościowy charakter obrazów MRI utrudnia radiologom ilościowe porównanie właściwości tkanek na obrazie pomiędzy kolejnymi skanami i różnymi pacjentami, co utrudnia postawienie prawidłowej diagnozy.

Precyzyjna ocena cech mózgu

Ograniczenie to doprowadziło do powstania ilościowego MRI (ang. quantitative MRI, Q-MRI). „W przypadku Q-MRI kontrast jest bezpośrednio związany z podstawowymi właściwościami biofizycznymi tkanki miękkiej, co znacząco poprawia skuteczność diagnozy klinicznej”, wyjaśnia Sijbers. „Jednak długi czas trwania badania sprawia, że metoda ta jest nieprzyjemna dla pacjenta i kosztowna dla kliniki”. Dzięki wsparciu finansowanego przez UE projektu B-Q MINDED Sijbers realizuje działania mające na celu wypełnienie luki między jakościowym a ilościowym MRI. „Naszym celem było przekształcenie MRI z metody obrazowania w ilościowe narzędzie do precyzyjnej oceny cech mózgu”.

Poprawa opieki nad pacjentami

Jednym z kluczowych rezultatów projektu było opracowanie i walidacja metod rekonstrukcji o superwysokiej rozdzielczości (ang. super-resolution reconstruction, SRR), które umożliwiają radiologom rekonstrukcję wyraźnych, wysoko rozdzielczych obrazów z pojedynczej klatki obrazu o niskiej rozdzielczości. Dzięki tym metodom zaangażowani w projekt badacze mogli obliczyć mapy parametrów Q-MRI o wysokiej rozdzielczości na podstawie zestawu jakościowych obrazów o niskiej rozdzielczości. „Zastosowanie metod SRR znacznie skróciło czas akwizycji przy zachowaniu rozdzielczości przestrzennej i stosunku sygnału do szumu”, dodaje Sijbers. Uczeni opracowali także metody harmonizacji danych i skutecznego szacowania parametrów dyfuzji. Ponadto zespołowi udało się zmapować T1 (czas relaksacji podłużnej) i T2 (czas relaksacji poprzecznej) w oparciu o maszyny rekurencyjnego wnioskowania, co 100-krotnie skróciło czas potrzebny do wnioskowania map ilościowych. „Wyniki te pozwalają radiologom na szybszą i bardziej obiektywną ocenę zaawansowania choroby mózgu, co ostatecznie poprawia opiekę nad pacjentem”, podkreśla Sijbers.

Dalszy rozwój Q-MRI

Zdaniem Sijbersa sukces tego wspieranego przez działania „Maria Skłodowska-Curie” projektu jest owocem pracy 15 młodych naukowców na początku kariery, którzy zaangażowani byli w jego realizację. „Miałem zaszczyt być częścią tego dynamicznego zespołu i przyglądać się jego pracy nad rozwojem i skutecznym wdrożeniem metod ilościowego MRI w praktyce klinicznej”, mówi. „Dzięki temu był to najciekawszy i najbardziej ekscytujący projekt w mojej karierze”. Naukowcy wykorzystają teraz doświadczenie i wiedzę zdobyte w toku projektu, by dalej rozwijać metodę Q-MEI. Z kolei Sijbers wkrótce rozpocznie współpracę z nowym pokoleniem naukowców na początku kariery nad projektem, którego celem jest włączenie sztucznej inteligencji do metod Q-MRI.

Słowa kluczowe

B-Q MINDED, ilościowe MRI, Q-MRI, radiolog, choroba mózgu, obrazowanie, diagnostyka, rekonstrukcja o superwysokiej rozdzielczości, SRR, naukowcy na początku kariery, sztuczna inteligencja

Znajdź inne artykuły w tej samej dziedzinie zastosowania