Подход глубокого обучения для коррекции артефактов движения в МРТ мозга методом сверхразрешения для точной вольюметрии гиппокампа

Почему важны более четкие снимки мозга

По мере старения населения все больше людей сталкиваются с нарушениями памяти и деменцией. Врачи часто полагаются на МРТ мозга, чтобы обнаружить ранние изменения в небольшой глубокой структуре — гиппокампе, которая играет ключевую роль в формировании новых воспоминаний. Но МРТ требует времени, и даже простая чихание или краткое прикосновение к лицу может размыть изображения, из‑за чего гиппокамп может выглядеть меньше или больше, чем он есть на самом деле. В этом исследовании изучается, может ли продвинутая форма искусственного интеллекта «очищать» такие смазанные из‑за движения снимки мозга, помогая врачам более точно измерять гиппокамп без повторных долгих и неудобных обследований.

Смазанные снимки и потеря памяти

При таких состояниях, как болезнь Альцгеймера, гиппокамп постепенно уменьшается за годы до появления явных симптомов. Отслеживание его размера с течением времени помогает врачам ставить диагноз раньше и наблюдать прогрессирование заболевания. К сожалению, МРТ очень чувствительна к движению: короткое движение во время многоминутного сканирования может создать полосы и «призраки», похожие на размытое фото с длинной выдержкой. Эти артефакты могут вводить в заблуждение автоматические программы, приводя к переоценке или недооценке объема гиппокампа и потенциально переводя человека через диагностический порог. Снижение искажений, связанных с движением, поэтому имеет ключевое значение для надежных количественных измерений мозга.

Обучение компьютера делать снимки четче

Исследователи сосредоточились на методе глубокого обучения, называемом улучшенной сетью сверхразрешения (EDSR). Алгоритмы сверхразрешения предназначены для восстановления более четкой и детализированной версии изображения низкого качества. Команда обучила EDSR на тысячах качественных снимков мозга пожилых людей, показывая, как должны выглядеть тонкие структуры мозга. Затем они разработали двухэтапный процесс для смазанных движением изображений: сначала размытые снимки мягко понижали в разрешении, что смягчало высокочастотные искажения, вызванные движением; затем EDSR восстанавливал изображение высокого разрешения из этой сглаженной версии, стремясь восстановить истинную анатомию при подавлении артефактов.

Проверка метода на практике

Чтобы оценить эффективность подхода, исследователи сканировали 24 здоровых молодых взрослого трижды: один раз при полном отсутствии движения и два раза при умышленном движении в реалистичных сценариях — имитируя чихание или краткое прикосновение к лицу — во время сканирования. Изображение без движения служило эталоном. Затем искаженные движением снимки обрабатывали с помощью EDSR, получая версии с коррекцией движения. Автоматический инструмент измерял объем гиппокампа на всех трех наборах изображений, а команда сравнивала, насколько измерения в условиях движения и после коррекции отклонялись от истинного эталонного объема. Они также рассчитывали распространенные показатели качества изображения, отражающие сходство каждого скана с оригиналом как по значениям пикселей, так и по общей структуре.

Что улучшилось, а что осталось прежним

Метод на основе ИИ ясно улучшил визуальное качество снимков: при движениях, имитирующих чихание или прикосновение к лицу, скорректированные изображения показали более высокие показатели сходства и меньшие ошибки по сравнению с несглаженными снимками относительно эталона без движения. Иными словами, EDSR создавал изображения, которые постоянно ближе к тому, что показал бы сканер при отсутствии движения. Что касается самих чисел объема гиппокампа, картина оказалась более тонкой. В большинстве случаев общая ошибка не изменилась существенно, но в подгруппе с наиболее сильным движением в сценарию, имитирующему чихание, измерения левого гиппокампа стали значительно точнее после коррекции. В случаях с небольшим движением EDSR обычно влиял лишь незначительно, а в одной подгруппе он даже немного увеличивал ошибку справа, что говорит о том, что бесконтекстное применение на почти чистых снимках может быть контрпродуктивным.

Взгляд в будущее лучшей помощи при заболеваниях мозга

В целом исследование показывает, что глубокое обучение может делать снимки МРТ, искаженные движением, более похожими на изображения без движения и в некоторых ситуациях с сильным движением приближать измерения гиппокампа к их истинным значениям. Хотя это пока не полное решение — некоторые ошибки, связанные с движением, остаются, и тестовые участники были здоровыми молодыми людьми — работа указывает на будущее, в котором умные инструменты реконструкции тихо будут исправлять несовершенные сканы в фоновом режиме. При доработке и валидации на пожилых пациентах с реальной подвижностью такие технологии могли бы сократить потребность в повторных сканированиях, уменьшить время обследования и сделать ранние оценки деменции на основе размера гиппокампа более надежными как для клиницистов, так и для пациентов.

Цитирование: 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

Ключевые слова: МРТ мозга, артефакты движения, глубокое обучение, объем гиппокампа, визуализация при деменции