От изображения к информации - 10 вопросов для QMENTA *

QMENTA - это стартап, который поддерживает клиентов из области нейробиологии и нейрорадиологии в анализе наборов данных изображений с помощью своей платформы. В этом интервью Кристоф Бармет, генеральный директор Skope, хотел узнать о проблемах агрегирования и анализа данных с точки зрения молодой компании, которая строит свой бизнес в экосистеме MRI. Дэвид Морено, возглавляющий группу нейровизуализации в QMENTA, ответил на вопросы Кристофа.

* Этот пост изначально был опубликован в блоге Skope’s

Кристоф Бармет: Что предлагает QMENTA?

Дэвид Морено: Короче говоря, QMENTA предлагает облачную платформу на базе искусственного интеллекта для оптимизации рабочего процесса визуализации для клинических испытаний и клинических исследований, чтобы ускорить открытие и разработку новых методов лечения неврологических заболеваний. болезни. Платформа QMENTA была разработана как интегрированная среда, позволяющая пользователям легко сотрудничать в проектах по неврологическим заболеваниям. Мы помогаем следователям и врачам собирать данные из разных источников, будь то 1 сайт в 1 стране или 20 сайтов в 10 странах, и анализировать записи изображений с помощью нашей масштабируемой облачной инфраструктуры. Наши алгоритмы обработки позволяют исследователям количественно оценивать изменения и повреждения мозга, следить за продольным исследованием и анализировать тенденции в когортах, тем самым поддерживая принятие решений по диагностике и прогнозу заболевания в клинических исследованиях или во время клинических испытаний.

CB: Какие трудности возникают в вашей работе по анализу изображений?

DM: одна из основных проблем, с которыми мы сталкиваемся, - адаптировать эти различные стандарты и инструменты, чтобы предложить простую в использовании платформу, чтобы нашим пользователям нужно было беспокоиться только о загрузке данных, начиная с их желаемый анализ и изучение результатов. На нашей платформе изображения автоматически классифицируются, что позволяет легко и без проблем выполнять анализ биомаркеров. В наших автоматизированных конвейерах выходные данные инструмента служат входными данными для следующего инструмента. Однако сложно согласовать все входные и выходные данные различных инструментов, таких как инструменты открытого доступа, проприетарные инструменты QMENTA или сторонние инструменты, во внутреннем стандарте, чтобы их можно было использовать в качестве входных или выходных данных для других инструментов и обеспечить полную рабочие процессы.

CB: наборы данных изображений обычно не стандартизированы. Какие проблемы это вызывает?

DM: всегда желателен стандартизированный проект с хорошо организованными и однородными данными. Однако это не всегда возможно. В частности, в ретроспективных проектах, когда данные собирались в разных центрах, с разными сканерами и протоколами визуализации. Традиционно это означало бы кошмар качества проекта, учитывая, что не у всех субъектов будет одинаковое количество файлов, одинаковые методы и определенно разные имена файлов. Это затрудняет автоматизацию и создание сценариев и обычно требует большого количества ручной работы. Контроль качества платформы позволяет с минимальными усилиями выявлять выбросы и несоответствующие объекты, чтобы их можно было повторно задействовать или исключить из проекта. Внутренне наши алгоритмы готовы работать с разумным диапазоном разрешений изображения и уровней качества - хотя, конечно, чем лучше качество входных данных, тем выше качество и надежность результатов. Таким образом, всегда важно работать с тщательно собранными, высококачественными данными, когда это возможно.

CB: МРТ-изображения имеют контраст, который не является количественным, то есть значение серой шкалы отдельного вокселя не имеет прямой физической корреляции. Сделает ли улучшенная однородность наборов данных анализ проще и эффективнее?

DM: Да, однородность МРТ-изображений - действительно актуальная тема. Как вы упомянули, значения интенсивности, которые вы получаете из стандартных последовательностей МРТ, не являются абсолютными. Следовательно, вы не можете напрямую сравнивать значения интенсивности. Однако есть некоторые расширенные последовательности, которые дают интерпретируемые значения вокселей с прямым физическим коррелятом. Мы в основном используем МРТ-изображения для получения информации, которая не основана на абсолютных значениях, таких как объемность, которая зависит от относительного изменения контраста. Кроме того, применяя методы предварительной обработки, такие как шумоподавление и коррекция интенсивности, мы компенсируем этот недостаток гомогенизации. Но также было доказано, что различия между МРТ сканерами вносят различия. Следовательно, при использовании данных с нескольких сканеров различия в объеме, которые необходимо обнаружить, должны быть больше, чтобы можно было увидеть значительный эффект. Если гомогенизация будет улучшена, это действительно уменьшит такие вариации / уровень шума и сделает все измерения более точными, и мы сможем измерить более мелкие изменения.

CB: Вы упомянули два аспекта - объем и контраст. Верно ли, что измерения объема для вас важнее, чем интерпретация контраста?

DM: Да, это обычно относится ко многим приложениям, в которых мы участвуем. Есть два типа свойств мозга, которые обычно измеряются с помощью МРТ. Например, мы измеряем макроскопические геометрические свойства, такие как объем. Получение объемного количественного определения полностью зависит от хорошего контраста между тканями для определения границ. Следовательно, используются последовательности, обеспечивающие наилучший контраст, но абсолютные значения вокселей не имеют значения и произвольны. Другие типы изображений, называемые «количественными изображениями», на самом деле измеряют абсолютные значения физических параметров, относящихся к микроскопическим свойствам тканей, таких как концентрация железа или плотность клеток. В этих случаях значение вокселя имеет физический смысл, включая отображение взвешенного по диффузии изображения, отображение T1 или отображение R2 *. Оба типа количественной оценки важны для различных приложений, но волюметрия - один из наиболее часто используемых инструментов во многих исследованиях ЦНС.

CB: Еще один аспект визуализации - точность. МРТ-изображения могут быть неточными по многим причинам. С какими артефактами вы больше всего боретесь?

DM: наиболее частыми артефактами являются срезанное поле зрения, наложение, градиенты интенсивности из-за неоднородности поля B0 и артефакты звонка Гиббса или двоение изображения. В общем, всегда следует избегать артефактов. Для получения надежного результата очень важно установить хороший протокол последовательности и иметь правильную процедуру для получения изображения, например, чтобы избежать движения. Тем не менее, я бы сказал, что не все из них представляют собой настоящую проблему. С незначительными артефактами обычно можно справиться с помощью наших методов предварительной обработки.

CB: Вы говорите, что незначительный артефакт изображения допустим. У вас есть фавориты в разных артефактах?

DM: при измерении геометрии мозга артефакты, которые алгоритм ошибочно принимает за реальную структуру мозга, очень трудно исправить: линию звонка Гиббса можно принять за границу раздела между мозгом и череп, которого на самом деле нет, или перекрытие, вызванное ложным переходом носа в затылочную долю. С другими типами артефактов легче справиться: например, неоднородность напряженности магнитного поля, искажения магнитной восприимчивости или основной уровень шума на изображении.

CB: Насколько вам выгодно высокое разрешение? Есть ли приложения, в которых отсутствуют структуры из-за того, что разрешение было не лучше?

DM: это зависит от того, чего вы хотите достичь с точки зрения компромисса между точностью и временем, затраченным на анализ. Например, при получении анатомических изображений обычно хорошее разрешение в 1 мм изотропно при использовании сканера 3T. Если вы хотите подняться выше, измерения будут более точными. Это определенно возможно на исследовательских сканерах, но время сбора данных и стоимость вычислений увеличатся. В случаях, когда разрешение превышает 2–3 мм, измерения будут менее надежными, и вам потребуется более высокое эталонное значение для сравнения. На других изображениях, например, при диффузионной визуализации с использованием сканера 3T, разрешение от 1 мм до 2 мм является хорошим для типичных измерений связности всего мозга.

Однако это правда, что более высокое разрешение помогает обнаруживать и количественно определять такие структуры, как небольшие ядра серого вещества. Поскольку вычислительные мощности продолжают расти, мы также сможем обрабатывать данные изображений с более высоким разрешением за меньшее время. В конце концов, это действительно зависит от приложения и цели. Если вы хотите провести анализ всего мозга, слишком высокое разрешение может не дать вам преимущества с точки зрения затрат времени. Если вы хотите сосредоточиться на конкретном регионе или изучить связь между двумя разными регионами, более высокое разрешение может быть явным преимуществом.

CB: Как бы вы определили идеальное МР-изображение?

DM: не существует одного идеального изображения для получения, поскольку оптимальные параметры изображения зависят от типа доступного сканера, типа субъектов, цели исследования, заболевания и биомаркера, который необходимо проанализировать. . Однако есть два важных желаемых качества для любой съемки изображений: отсутствие артефактов изображения и высокое изотропное разрешение. В то время как традиционно клинические изображения предназначались только для 2D визуального осмотра клиницистом или радиологом и обычно имеют высокое разрешение в плоскости просмотра, алгоритмы биомаркеров лучше всего работают с 3D-изображениями. Например, 1 мм идеально подходит для анатомических изображений, снятых на 3T-сканере, и 2 мм для диффузных изображений, хотя мы также можем обрабатывать данные с более низким разрешением.

CB: Является ли для вас типичным случаем, когда вы анализируете данные одного субъекта, когда вы просматриваете данные, полученные в течение нескольких сеансов в течение нескольких месяцев или даже лет?

DM: У нас это частый случай. Мы имеем дело с продольным изменением очагов рассеянного склероза или продольным изменением объема, например, смотрим, происходит ли атрофия. В этих случаях, чем более согласованными являются наборы данных изображений, тем лучше и надежнее могут быть результаты. Это означает оптимальное использование одной и той же машины с одинаковыми параметрами для создания изображений. Мы можем работать с изображениями с разных машин с разными параметрами, поскольку мы можем настроить это, но надежность всегда будет выше для однородных наборов данных.