פיתוח אלגוריתם CycleGAN ראש-לראש ואורכי לאחידות MRI: אימות בהערכת MRI במעקב במחולים עם גרורות במוח

למה חשוב להתאים סריקות מוח

כאשר אנשים עם סרטן מפתחים גידולים שפוזרו למוח, רופאים מסתמכים על סריקות MRI חוזרות כדי לראות אם הטיפול עובד. אבל יש בעיה חבויה: סריקות מעקב לרוב נעשות על מכונות MRI שונות, מה שעלול לגרום לכך שאותו גידול ייראה גדול יותר, קטן יותר, בהיר יותר או עמום יותר גם כאשר לא חל בו שינוי. במחקר זה מוצג שיטה חדשה מבוססת בינה מלאכותית שנועדה "להאדר" תמונות MRI ממסקרים שונים, כך שרופאים יוכלו להתמקד בשינויים הממשיים בגידול במקום בתכונות הספציפיות של המכונות.

האתגר של מכונות MRI שונות

גרורות במוח — גידולים שהתפשטו למוח ממקורות כמו סרטן ריאה או סרטן שד — הן גורם מרכזי לתחלואה ותמותה. מטופלים עוברים לעתים קרובות סריקות MRI מעקב כדי לבדוק האם הפגעים גדלו, הצטמצמו או נשארו ללא שינוי. באופן אידיאלי כל סריקה תתבצע על אותו סוג מכונה ובאותו פרוטוקול, אך במציאות בתי חולים עסוקים משתמשים במספר סורקי MRI מיצרנים שונים, כל אחד עם הגדרות והתנהגות קונטרסט משלו. כתוצאה מכך, שתי סריקות של אותו מטופל עלולות להציג את אותו פצע בהירות או חדות שונה, מה שהופך גידול יציב למראה חשוד. שונות זו מסבכת את הטיפול ועלולה גם לערער מחקרים רחבי היקף שמאגדים נתונים ממרכזים רבים.

שימוש בבינה מלאכותית לאחידות תמונות

כדי להתמודד עם הבעיה פתחו החוקרים מערכת למידה עמוקה המבוססת על משפחת רשתות עצביות הנקראות רשתות מתנגשות (generative adversarial networks), ובפרט עיצוב המוכר כ-CycleGAN. במקום לנסות לשנות את החומרה, הם מבקשים שהתוכנה תלמד כיצד תמונות מסורק אחד אמורות להיראות אם היו נרכשות על גבי סורק אחר. ה-CycleGAN המותאם שלהם, המבוסס על זוגות, מאומן על סריקות MRI בסיסיות ומעקב מאותו מטופל, כאשר הסריקה הראשונה והשלישית נעשות על אותה מכונה בעוד שהסריקה האמצעית נעשתה על מכונה שונה. בהשוואת תמונות מקושרות אלה, הרשת לומדת להתאים את סגנון סריקת המעקב מהמכונה השנייה כך שיתאים למראה של המכונה הראשונה, תוך שמירה על האנטומיה הממשית של המוח והגידולים.

שמירה על צורת הגידול תוך תיקון הסגנון

מודלים סטנדרטיים של CycleGAN טובים בשינוי סגנון של תמונה, אך הם עלולים לשנות פרטים עדינים — דבר מסוכן בדימות רפואי. לכן הוסיפה הצוות מונח "התאמה מקורית" מיוחד לפונקציית האימון של הרשת. אילוץ נוסף זה דוחף את ה-AI לשמור על כל ווקסל, או פיקסל תלת־ממדי, קרוב ככל האפשר למבנה של הסריקה המקורית, גם כאשר הוא משנה את הקונטרסט והבהירות הכלליים כדי להתאים לסורק הבסיסי. המחברים בדקו חוזקות שונות של אילוץ זה ומצאו הגדרה שמאזנת בצורה הטובה ביותר תיקון סגנון ושימור נאמן של אנטומיית המוח. לאחר מכן הם השוו את שיטתם לטריקים קונבנציונליים כמו התאמת היסטוגרמות ולגישות למידה עמוקה אחרות, כגון Pix2Pix, STGAN ו-CycleGAN לא מותאם.

התאמה חדה ובחירה קריאה בטוחה יותר

בקבוצת מטופלים שבהם הייתה ידיעה כי גרורות המוח היו יציבות לאורך זמן, תמונות המעקב שעברו האדרה נראו דומות יותר לסריקות הבסיס מאשר תמונות המעקב המקוריות והלא מתוקנות, על פי מספר מדדים טכניים של איכות תמונה. הפערים בקונטרסט בין אזורים שונים במוח היו גם הם קטנים יותר אחרי ההאדרה, מה שמעיד שהשינויים התלויים בסורק הופחתו. לאחר מכן שני נוירורדיולוגים עברו על סריקות הבסיס לצד סריקות המעקב המקוריות או המותאדות, מבלי לדעת שהפגעים לא השתנו. עם התמונות המואדרות הם קבעו בתדירות גבוהה יותר שגבול, גודל וקונטרסט הגידול הם יציבים ודיווחו על ביטחון גבוה יותר בהערכותיהם. חשוב לציין שה-AI גם שמר על שינויים מחלתיים אמיתיים בקבוצת מבחן נפרדת שבה הגידולים אכן התקדמו או נסוגו, מה שמרמז שהוא לא פשוט מוחק פרטים קליניים חשובים.

מה המשמעות הזו עבור מטופלים

עבור מטופלים עם גרורות במוח, שיטת ההאדרה החדשה עשויה לצמצם אזעקות שווא לגבי גידול שנובעות רק משימוש במכונות MRI שונות, ולסייע להימנע מדאגה מיותרת ושינויים בטיפול שאינם נחוצים. על ידי כך שהיא הופכת סריקות מעקב ליציבות חזותית בין סורקים, גישת ה-paired CycleGAN מספקת לרדיולוגים תמונה ברורה יותר של מה שקורה בפועל במוח. אמנם המחקר נערך במרכז יחיד ועל מגוון מוגבל של סוגי סורקים, אך הוא מצביע לכיוון עתיד שבו תוכנה חכמה מאחדת תמונות רפואיות ברקע באופן שגרתי, כך שרופאים ומטופלים יוכלו לסמוך שמשינויים נראים על המסך משקפים שינויים אמיתיים במחלה.

ציטוט: Hwang, H., Choi, HU., Jeong, H. et al. Development of head-to-head and longitudinal CycleGAN algorithm for MRI harmonization: validation in follow-up MRI evaluation in patients with brain metastasis. Sci Rep 16, 13163 (2026). https://doi.org/10.1038/s41598-026-43755-7

מילות מפתח: גרורות במוח, האדרת MRI, למידה עמוקה, CycleGAN, דימות רפואי