Les scanners d’IRM pourraient fonctionner 4 fois plus vite grâce à l’IA

Une meilleure expérience patient et de nouvelles applications pour les IRM

La capture de toutes les données brutes («k-espace») pour un examen IRM diagnostique peut prendre jusqu’à une heure. En accélérant le processus, les patients passeront moins de temps dans un tube bruyant et induisant la claustrophobie pendant le balayage – une expérience inconfortable pour tout le monde mais particulièrement difficile, voire impossible pour les jeunes enfants et les personnes gravement malades.

Une numérisation plus rapide pourrait également élargir l’accès aux IRM en augmentant le nombre de patients que chaque appareil peut desservir. En outre, cela pourrait permettre des utilisations élargies des IRM, permettant potentiellement aux médecins d’utiliser des IRM à la place des rayons X et des tomodensitogrammes dans certains cas. Ceci est particulièrement excitant car, contrairement à ces autres formes de scans, les IRM n’utilisent pas de rayonnement ionisant.

L’obtention de ces avantages pose un nouveau défi interdisciplinaire. Pour le résoudre, Facebook AI et NYU Langone Health ont étroitement collaboré pour combiner notre expertise et nos ressources mutuelles dans les domaines de l’IA, de l’imagerie médicale, de la radiologie et des évaluations diagnostiques. Depuis le lancement de fastMRI, nous nous sommes également engagés à travailler ouvertement et à partager nos outils, modèles et ensembles de données afin que d’autres chercheurs apprennent de nos approches et puissent apporter leurs propres idées. Après les versions précédentes de fastMRI des plus grands ensembles de données d’IRM du genou et du cerveau avec des données de l’espace k et notre lancement du défi de reconstruction d’images fastMRI, nous publions maintenant nos travaux et partageons notre code modèle sur GitHub. Le partage de cette suite de ressources reflète la mission de fastMRI qui consiste à impliquer la plus grande communauté de recherche en IA et en imagerie médicale plutôt que de développer des méthodes propriétaires pour accélérer l’imagerie RM.

Nous espérons que cette approche aura un impact positif profond et durable sur le monde et fournira un modèle pour les futures collaborations de recherche sur l’IA.

Les IRM accélérées par l’IA représentent avec précision la vérité sur le terrain

Les IRM standard prennent la séquence de données de l’espace k collectées par le scanner, puis utilisent une technique mathématique, telle qu’une transformée de Fourier inverse, pour générer des images RM. FastMRI adopte une approche entièrement différente, en introduisant une quantité beaucoup plus limitée de données k-space dans un modèle d’IA qui a été formé pour créer une image qui correspond à la vérité terrain.

Cela pose un défi IA difficile. Le réseau neuronal doit être en mesure de combler efficacement et de manière fiable les lacunes dans l’analyse des données sans sacrifier la précision. Alors que les techniques de vision par ordinateur précédentes dans d’autres domaines ont réussi à générer des images crédibles, le modèle fastMRI doit prendre des données incomplètes et générer une image qui à la fois semble plausible et correspond exactement à la vérité terrain. Quelques pixels manquants ou mal modélisés pourraient faire la différence entre un scan tout-clair et un dans lequel les radiologues trouvent un ligament déchiré ou une éventuelle tumeur.

Cependant, générer une image précise n’est pas le seul défi. Le modèle d’IA doit également créer des images qui ne peuvent être distinguées visuellement des images IRM traditionnelles. Les radiologues passent de nombreuses heures à analyser attentivement ces images et une apparence et une sensation inhabituelles pourraient rendre les radiologues moins susceptibles d’adopter l’IRM rapide dans leurs pratiques.

L’étude d’interchangeabilité publiée aujourd’hui a été conçue expressément pour montrer que les images générées par l’IA entraîneront de manière fiable les mêmes diagnostics et répondront aux besoins des radiologues, tout comme les images traditionnelles. Pour l’étude, six radiologues experts ont examiné deux ensembles d’IRM du genou anonymisées et anonymisées de 108 patients testés qui avaient été évalués à NYU Langone Health. Les radiologues de l’étude ont complété des bourses spécifiquement dans le diagnostic et le traitement des troubles musculo-squelettiques.

Deux ensembles d’IRM ont été générés pour chaque cas de patient: un ensemble utilisant les techniques d’imagerie standard largement utilisées dans les hôpitaux et les cliniques aujourd’hui, et un ensemble utilisant le modèle FastMRI AI avec environ 4x données sous-échantillonnées de l’espace k. Les évaluateurs n’ont pas été informés des images créées avec l’IA, et pour limiter le risque de biais de rappel, les évaluations des images standard et des images accélérées par l’IA ont été espacées d’au moins un mois.

Les radiologues ont systématiquement évalué les images pour la pathologie, telles que les déchirures méniscales, les anomalies ligamentaires et les défauts du cartilage, et les ont notées dans un rapport structuré. Les évaluateurs ont également été invités à évaluer la qualité de l’image et à dire s’ils pensaient que l’image avait été créée avec l’IA. Après que les radiologues aient examiné les IRM accélérées par IA et traditionnelles pour chaque cas, les résultats ont été comparés pour voir s’il y avait des divergences dans leurs diagnostics.

L’étude a révélé qu’il n’y avait pas de différences significatives dans les évaluations des radiologues. Ils ont trouvé les mêmes anomalies et pathologies, qu’ils examinent les IRM standard ou générées par l’IA. Tous les examinateurs ont jugé que les images accélérées par l’IA étaient de meilleure qualité globale que les images traditionnelles. Cinq des six radiologues n’ont pas été en mesure de discerner correctement les images générées à l’aide de l’IA.