Podejście głębokiego uczenia do korekcji artefaktów ruchu w MRI mózgu z użyciem super-rozdzielczości dla dokładnej wolumetrii hipokampa

Dlaczego jaśniejsze skany mózgu mają znaczenie

W miarę starzenia się społeczeństw coraz więcej osób zmaga się z problemami pamięci oraz demencją. Lekarze często polegają na skanach MRI mózgu, by wykryć wczesne zmiany w niewielkiej, głęboko położonej strukturze zwanej hipokampem, kluczowej dla tworzenia nowych wspomnień. Jednak badania MRI trwają długo, a nawet prosty kichnięcie lub krótkie dotknięcie twarzy może rozmazać obrazy, sprawiając, że hipokamp wydaje się mniejszy lub większy niż w rzeczywistości. W tej pracy badamy, czy zaawansowana forma sztucznej inteligencji potrafi „posprzątać” te rozmyte skany mózgu, pomagając lekarzom dokładniej mierzyć hipokamp bez konieczności powtarzania długich, niekomfortowych badań.

Rozmazane obrazy i utrata pamięci

W schorzeniach takich jak choroba Alzheimera hipokamp stopniowo się kurczy na wiele lat przed pojawieniem się widocznych objawów. Śledzenie jego rozmiaru w czasie może pomóc lekarzom we wcześniejszym rozpoznaniu choroby i monitorowaniu jej postępu. Niestety MRI jest bardzo czułe na ruch: krótki ruch podczas kilku‑minutowego skanu może tworzyć smugi i „duchy”, podobnie jak drżące zdjęcie wykonane przy długiej ekspozycji. Te artefakty mogą zmylić programy komputerowe i prowadzić do zawyżenia lub zaniżenia objętości hipokampa, potencjalnie przesuwając osobę przez diagnostyczny próg. Redukcja tych zniekształceń związanych z ruchem jest zatem kluczowa dla wiarygodnych, ilościowych pomiarów mózgu.

Nauczanie komputera wyostrzania skanów

Badacze skupili się na metodzie głębokiego uczenia zwanej ulepszoną siecią do super-rozdzielczości (enhanced deep super-resolution network, EDSR). Algorytmy super-rozdzielczości mają na celu przyjęcie obrazu niższej jakości i odtworzenie ostrzejszej, bardziej szczegółowej wersji. W tym badaniu zespół trenował EDSR na tysiącach wysokiej jakości skanów mózgu pochodzących od osób starszych, ucząc sieć, jak powinny wyglądać drobne struktury mózgu. Następnie zaprojektowano dwustopniowy proces dla skanów rozmytych ruchem: najpierw obrazy rozmyte zostały delikatnie przeskalowane w dół, co łagodzi wysokoczęstotliwościowe zniekształcenia wprowadzone przez ruch; potem EDSR odbudował obraz o wysokiej rozdzielczości z tej wygładzonej wersji, dążąc do odtworzenia prawdziwej anatomii przy jednoczesnym tłumieniu artefaktów.

Próba metody w praktyce

Aby sprawdzić skuteczność podejścia, badacze zeskanowali 24 zdrowe, młode osoby trzykrotnie: raz zachowując całkowitą bezruch, a dwa razy celowo poruszając się w realistyczny sposób — kichając lub krótko dotykając twarzy — w trakcie badania. Obraz bez ruchu służył jako odniesienie. Obrazy z zakłóceniami ruchu zostały następnie przetworzone przez EDSR, by uzyskać wersje skorygowane pod kątem ruchu. Automatyczne narzędzie zmierzyło objętość hipokampa we wszystkich trzech zestawach obrazów, a zespół porównał, jak bardzo pomiary z obrazów z ruchem i po korekcji odbiegały od prawdziwej objętości referencyjnej. Obliczono też powszechnie stosowane wskaźniki jakości obrazu, które oddają, jak bardzo każdy skan jest podobny do oryginału zarówno pod względem wartości pikseli, jak i ogólnej struktury.

Co się poprawiło, a co pozostało bez zmian

Metoda oparta na sztucznej inteligencji wyraźnie poprawiła wygląd obrazów w sensie porównawczym: zarówno przy ruchach przypominających kichnięcie, jak i przy dotykaniu twarzy, skorygowane skany miały wyższe wskaźniki podobieństwa i niższe miary błędu niż skany nieskorygowane względem obrazu referencyjnego bez ruchu. Innymi słowy, EDSR wygenerował obrazy, które konsekwentnie były bliższe temu, co aparat zobaczyłby, gdyby osoba się nie poruszyła. Jeśli chodzi o rzeczywiste liczby objętości hipokampa, obraz był bardziej zniuansowany. W większości przypadków całkowity błąd nie zmienił się dramatycznie, ale w podgrupie z najsilniejszym ruchem podczas skanów typu kichnięcie pomiary lewego hipokampa stały się istotnie dokładniejsze po korekcji. W przypadkach niewielkiego ruchu EDSR zwykle miał tylko niewielki wpływ, a w jednej podgrupie nieznacznie zwiększył nawet błąd po prawej stronie, co sugeruje, że nieumiejętne stosowanie na niemal czystych skanach może być kontrproduktywne.

Perspektywy lepszej opieki nad mózgiem

Ogólnie rzecz biorąc, badanie wykazuje, że głębokie uczenie może sprawić, że skany MRI rozmyte ruchem będą wyglądać bardziej jak obrazy bez ruchu i że w niektórych sytuacjach o dużym natężeniu ruchu pomiary hipokampa zbliżą się do swoich wartości rzeczywistych. To jeszcze nie jest kompletne rozwiązanie — pewne błędy ruchu pozostają, a ochotnicy do testu byli zdrowymi, młodymi dorosłymi — lecz praca wskazuje na przyszłość, w której inteligentne narzędzia rekonstrukcyjne dyskretnie naprawiają niedoskonałe skany w tle. Jeśli zostaną udoskonalone i zwalidowane u starszych pacjentów poruszających się w rzeczywistych warunkach, takie technologie mogłyby zmniejszyć potrzebę powtarzania badań, skrócić czas badań i uczynić wczesne oceny demencji oparte na rozmiarze hipokampa bardziej wiarygodnymi zarówno dla klinicystów, jak i pacjentów.

Cytowanie: Yoshida, N., Kageyama, H., Akai, H. et al. Deep learning approach to super-resolution correction of brain MRI motion artifacts for accurate hippocampal volumetry. Sci Rep 16, 14493 (2026). https://doi.org/10.1038/s41598-026-44834-5

Słowa kluczowe: MRI mózgu, artefakty ruchu, głębokie uczenie, objętość hipokampa, obrazowanie demencji