在医学成像领域中，MRI以其对软组织的出色可视化能力而脱颖而出，超越了X射线和CT扫描的能力。然而，MRI的致命弱点在于其对运动伪影的敏感性 – 即使在扫描过程中轻微的运动都可能影响图像质量，这需要大量的资源和时间。
这也可能导致潜在的误导性诊断和次优的治疗结果。但现在，麻省理工学院的研究人员拥有一种新的深度学习模型，旨在纠正脑MRI中与运动相关的畸变。
这篇论文的主要作者Nalini Singh是一位与麻省理工学院Abdul Latif Jameel机器学习健康诊所合作的研究人员，她向麻省理工学院新闻解释说：“运动是MRI中的一个常见问题，…这是一种相当缓慢的成像模式。”
为了应对这一挑战，Singh和她的团队设计了一种名为“数据一致的深度刚性MRI运动校正”的开创性解决方案。该方法可以从扭曲的数据中构建无运动伪影的图像，而无需改变扫描过程。
这种混合方法的核心是保持输出图像与其所代表的实际测量之间的一致性。如果没有这种一致性，模型就有可能生成“幻象”图像 – 似乎逼真但临床上不准确的表示，严重影响诊断的可靠性。
患有神经性运动障碍的患者，如阿尔茨海默病和帕金森病患者，将从无伪影的MRI扫描中受益。华盛顿大学放射科学系的研究显示，约有15%的脑部MRI扫描受到运动的干扰。
这个经常出现的问题导致每台扫描仪每年多花费约115,000美元进行重复扫描。范德堡大学的助理教授Daniel Moyer对该模型表示：“Singh和他的团队的这项研究是MRI运动校正的下一步。”
他接着说：“这不仅是优秀的研究工作，我相信这些方法将在各种临床案例中使用：无法在扫描仪中保持静止的儿童和老年人，引起运动的病理，对活动组织的研究，甚至是健康患者在磁体中也会有运动。”
Moyer还表示：“未来，我认为将使用直接源自这项研究的方法来处理图像可能会成为标准做法。”