Site icon Santecool

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

les-scanners-dirm-pourraient-fonctionner-4-fois-plus-vite-grace-a-lia-santecool

Les scanners d’IRM pourraient fonctionner 4 fois plus vite grâce à l’IA! En effet, l'équipe d'informaticiens et de radiologues a démontré que l'IA pouvait générer des IRM tout aussi précises et détaillées en utilisant seulement un quart des données brutes d'un balayage IRM complet, ce qui pourrait faire fonctionner les scanners d’IRM 4 fois plus rapidement qu’en temps normal. Explications.

Les scanners d’IRM pourraient fonctionner 4 fois plus vite grâce à l’IA! En effet, l’équipe d’informaticiens et de radiologues a démontré que l’IA pouvait générer des IRM tout aussi précises et détaillées en utilisant seulement un quart des données brutes d’un balayage IRM complet, ce qui pourrait faire fonctionner les scanners d’IRM 4 fois plus rapidement qu’en temps normal. Explications.

FastMRI, une initiative de recherche conjointe de Facebook AI et NYU Langone Health, vise à développer de nouvelles façons d’utiliser l’IA pour accélérer le processus de numérisation IRM. Contrairement à la plupart des projets d’imagerie médicale IA, qui tentent d’utiliser l’IA pour examiner automatiquement les images afin de détecter les anomalies, fastMRI utilise l’IA pour créer des images d’une nouvelle manière qui nécessite beaucoup moins de données.

Dans une nouvelle étude clinique rigoureuse, les radiologues ont découvert que les images générées par IA de FastMRI – créées avec environ 4 fois moins de données de la machine de numérisation – étaient interchangeables sur le plan diagnostique avec les IRM traditionnelles. Cela signifie que fastMRI peut rendre le processus de numérisation beaucoup plus rapide.

En accélérant les scans IRM, FastMRI pourrait améliorer l’expérience des patients, aider à élargir l’accès à la technologie et ouvrir de nouveaux cas d’utilisation. FastMRI contribuera également à faire progresser la recherche sur l’IA dans d’autres domaines.

Dans la nouvelle étude, les radiologues ont produit les mêmes diagnostics avec les images accélérées par l’IA et n’ont pas pu distinguer quelles images étaient produites avec l’IA et lesquelles provenaient des scans traditionnels plus lents. Tous les examinateurs ont évalué les images générées par l’IA comme étant de meilleure qualité que les numérisations traditionnelles.

Comme nous l’avons fait précédemment avec fastMRI et d’autres projets de recherche sur l’IA de Facebook, nous partageons nos modèles et nos données car nous pensons qu’une collaboration ouverte accélérera les progrès et conduira à de futures avancées qui profiteront à tous.

Les scanners d’imagerie par résonance magnétique (IRM), les machines que les médecins utilisent pour imager les tissus mous et les organes du corps, sont des outils essentiels pour les diagnostics médicaux depuis près d’un demi-siècle. Mais l’une de leurs principales lacunes est le temps nécessaire pour effectuer une analyse. Les cliniciens peuvent passer jusqu’à une heure à rassembler des données suffisantes pour un examen IRM diagnostique, qui ronge l’horaire exigeant d’un hôpital et peut sembler une éternité pour les patients anxieux ou souffrant.

Aujourd’hui, Facebook AI et NYU Langone Health annoncent un jalon de recherche majeur qui pourrait améliorer considérablement l’expérience des patients, élargir l’accès aux IRM et potentiellement permettre de nouveaux cas d’utilisation pour les IRM.

Dans une étude clinique unique en son genre, l’équipe d’informaticiens et de radiologues a démontré que l’IA peut générer des IRM tout aussi précises et détaillées en utilisant environ un quart des données brutes traditionnellement requises pour une IRM complète. Étant donné que moins de données sont nécessaires, les examens IRM pourraient fonctionner presque 4 fois plus rapidement.

Dans l’étude d’interchangeabilité, qui a été publiée dans l’American Journal of Roentgenology, les radiologues ont examiné à la fois les IRM traditionnelles et les images générées avec un modèle d’IA à partir d’environ 75% de données brutes en moins. Les radiologues ont produit les mêmes diagnostics avec les deux et ne pouvaient pas dire lesquels avaient été créés à l’aide de la nouvelle méthode.

Les résultats représentent le point culminant de près de deux ans de recherche ouverte de Facebook AI et de l’initiative fastMRI de NYU Langone, un effort collaboratif pour améliorer la technologie d’imagerie médicale et faire progresser la recherche sur l’utilisation de l’IA pour générer des images à partir de données limitées.

«Cette étude est une étape importante vers l’acceptation clinique et l’utilisation des scans IRM accélérés par l’IA, car elle démontre pour la première fois que les images générées par l’IA ne se distinguent pas en apparence des examens cliniques RM standard et sont interchangeables en ce qui concerne la précision du diagnostic,» dit Michael P. Recht, MD, professeur Louis Marx et président de radiologie à NYU Langone.

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.

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.

Ceci est important car cela confirme que l’IA représente la vérité sur le terrain ainsi que l’image traditionnelle. L’IA n’a rien manqué ni ajouté, et les images sont tout aussi bonnes à des fins de diagnostic que les IRM traditionnelles.

Les scans ne représentaient pas qu’un seul groupe d’âge ou sexe. L’âge des patients variait de 18 à 89 ans et il y avait 57 femmes et 51 hommes. L’approbation du comité d’examen institutionnel a été obtenue pour la collecte des données. Les données fastMRI utilisées dans le projet, y compris les scans utilisés pour l’étude, proviennent de l’ensemble de données open-source créé par NYU Langone en 2018. Avant d’ouvrir les données, NYU Langone s’est assuré que tous les scans étaient désidentifiés, et aucun les informations sur les patients étaient disponibles pour les examinateurs ou les chercheurs travaillant sur le projet fastMRI. Aucune donnée utilisateur Facebook n’a été fournie pour la création de l’ensemble de données fastMRI.

Un modèle spécialement conçu pour une utilisation clinique


Construire un modèle qui génère des IRM complètes et très précises à partir de données beaucoup moins brutes pose un défi de taille. Les chercheurs de Facebook AI ont expérimenté des milliers de variantes de modèles et affiné notre approche en étroite collaboration avec nos partenaires de NYU Langone, qui ont fourni des commentaires et identifié des problèmes qualitatifs qui ne seraient pas clairs pour les non-experts et qui ne seraient pas mesurables avec des mesures standard telles que SSIM.
Le modèle variationnel qui en résulte peut reconstruire des images RM directement à partir de données brutes sous-échantillonnées, en utilisant des données d’espace k sous-échantillonnées multicoil en entrée et en appliquant une séquence de 12 étapes de raffinement, appelées cascades. Cette séquence de cascades permet au réseau de remplir de manière itérative les points de données manquants. La structure du réseau neuronal est informée par la physique RM sous-jacente, qui fournit le bon biais inductif pour un entraînement efficace. Le réseau a été formé de bout en bout pour maximiser la similitude structurelle de sa sortie avec des images de référence en utilisant le plus grand ensemble de données open source d’IRM du genou, que FastMRI a publié en 2018. Les données k-space pour les quelque 1200 scans en l’ensemble de données a été rétrospectivement sous-échantillonné pour être utilisé dans la formation du réseau. Plus de détails sur notre méthode et nos résultats sont disponibles dans cet article.

Notre partenariat nous a également permis d’ajuster notre modèle pour créer des images qui répondent vraiment aux besoins des radiologues. Peut-être de manière contre-intuitive, nous avons constaté que l’ajout de faibles niveaux de bruit aux images accélérées par l’IA améliorait en fait la netteté perçue et rendait les images plus similaires aux images reconstruites à l’aide de techniques traditionnelles plus lentes. Nous avons développé un nouveau type d’ajout de bruit sensible au diagnostic afin d’éviter de corrompre ou d’obscurcir le contenu de diagnostic.

Découvrez les avantages d’une IRM plus rapide


Pour intégrer les IRM accélérées par l’IA à la pratique clinique, fastMRI devra montrer que la technologie fonctionne aussi bien pour tous les cas d’utilisation qu’avec d’autres types d’appareils de numérisation IRM. Nous prévoyons des études supplémentaires avec des ensembles de données supplémentaires, et nous développons des architectures alternatives pour générer des IRM, telles que l’intégration de méthodes d’imagerie parallèle traditionnelles dans des réseaux de neurones profonds. Nous travaillerons pour valider l’IRM rapide pour les scanners du cerveau, en utilisant l’ensemble de données de neuroimagerie que nous avons ouvert plus tôt cette année, ainsi que des scans pour d’autres parties du corps. Alors que cette étude clinique a été réalisée à l’aide de machines 3 Tesla (3 T), qui utilisent un aimant extrêmement puissant, nous avons également développé des techniques pour utiliser l’IRM rapide avec des machines 1,5 T, qui sont également couramment utilisées dans le monde entier.

Comme fastMRI est un projet open source, d’autres chercheurs et les entreprises qui construisent des scanners IRM peuvent s’appuyer sur nos travaux et tester notre code sur leurs machines. Nous espérons que les fournisseurs de matériel obtiendront les approbations de la FDA pour mettre ces algorithmes en production. Cette approche ouverte – avec le défi fastMRI, des ensembles de données partagés et des outils open source – a été une force motrice pour fastMRI.

Nous sommes impatients de partager des mises à jour et d’apprendre comment d’autres chercheurs tirent parti de nos travaux pour nous aider tous à améliorer la technologie IRM au profit des patients du monde entier.

Nafissa Yakubova

Program Manager

Anuroop Sriram

Research Engineering Manager

Jure Zbontar

Research Engineer

Mike Rabbat

Research Scientist

Aaron Defazio

Research Scientist

Mark Tygert

Research Scientist

Larry Zitnick

Research Scientist

Cette publication est parue ce mardi 18 aout 2020 par l’équipe de Facebook AI Research d’une étude clinique inédite dans la revue American Journal of Radiology, menée conjointement avec la NYU Langone Health.
Quitter la version mobile