目前位置: 首頁 > 最新消息
:::

最新消息

人工智慧於放射醫學影像3D造影成像之應用 [趨勢新知]
種類:其他公告  發布單位:技術處  發布日期:2021-05-12 11:17
作者:李爾芳/工研院

一、放射醫學影像3D成像應用與技術簡介

常用放射醫學3D影像形成方式包括核磁共振造影(Magnetic Resonance Imaging, MRI)、CT電腦斷層掃描 (Computed Tomography, CT)、正子電腦斷層掃描(Positron Emission Tomography, PET)、單光子電腦斷層掃描(single photon emission CT, SPECT)等,以非侵入式的方式得到人體組織結構的三維圖像,為現今醫學診斷癌症、心血管病變、內出血、神經病變等疾病的重要工具,提供設備的主要廠商有GE Healthcare, Siemens Healthineers, Philips, Canon等。為了以非侵入式的方式呈現人體內部構造與狀態,3D醫學影像利用外加物理能量在體內組織作用,再以數值分析所產生的訊號來重建體內構造的影像。

MRI造影利用體內組織水分的核磁共振(nuclear magnetic resonance, NMR)現象,透過儀器給與磁場,造影時利用磁場梯度來做空間編碼以區辨訊號來源,在訊號頻域k-space 的兩個維度分別做頻率編碼與像位編碼,量測給予磁場後含水組織氫原子共振所放射的電磁波,再經傅立葉轉換(Fourier Transform)將訊號從頻域轉至空間域便可得到組織影像。MRI的優勢為成像不需要放射線,可針對診斷標的利用脈衝頻率與訊號量測時機等參數變化來強化不同組織之訊號差異,對軟組織有較好的解析能力。

CT電腦斷層掃描為目前最常用的3D醫學影像方法。其利用X-ray在特定軸面旋轉照射人體而由對向的偵測器接受訊號,藉內部組織對X射線的阻射率(attenuation)差異,不同照射角度透過人體後所測的訊號組合sinogram 便可用於重建斷層而造影。然而在臨床應用上完美條件並不易達成,但因計算簡單運算資源需求小,2009年以前臨床應用CT造影便以 FBP (filtered back projection),將sinogram 經high-pass filter再反投影為主要的成像方法。

核子醫學影像 PET 及SPECT成像原理與CT電腦斷層掃描類似,但訊號源為來自病患口服或注射的放射性同位素追蹤劑,進入體內後同位素衰變所產生的射線訊號透過人體而被體外的偵測器接收,其繞著人體從多個角度作直線掃描而產生sinogram,因此影像重建演算法發展亦類似CT以FBP或IR為基礎架構。由於同位素追蹤劑會聚集在特定標記位置或血流及代謝旺盛之處,核子醫學影像主要用用診斷病理或生理功能變化,解剖構造的資訊有限,因此現在核子醫學造影設備多與CT或MRI造影設備整合而產生資訊互補的影像。

二、人工智慧在放射科造影成像之產業應用現況

自人工智慧技術興起,放射科影像便成為熱門的應用領域,除了在影像分析診斷方面百家爭鳴,由深度學習自大量數據中探勘系統參數的方法也成為造影設備廠用來進化成像技術的重要工具,用於克服現有成像技術限制,開發能利用低放射劑量或加速造影的訊號來重建更高品質的3D影像。

(一)深度學習革新低劑量CT造影成像品質

2019年4月GE Healthcare的DLIR成為第一個被美國FDA核准應用深度學習的造影重建演算法,除配備於GE 新推出的Revolution Apex CT 機台外,前代Revolution CT系列機台亦可升級使用,可應用於頭部、全身、心臟與血管的CT造影。GE前一代CT重建的IR方法ASiR(Adaptive Statistical Iterative Reconstruction)利用訊號統計模型模擬,成像時以降雜訊為優化目標,然而由低劑量造影所重建的影像經降雜訊優化後紋理特徵(noise texture)常被放射科醫師認為不自然,且成像品質對照高劑量造影仍有改善空間。

(二)藉深度學習提升快速MRI造影的品質

需在造影時間、訊號SNR比與影像解析度間擇一妥協,一直是MRI影像造影技術應用的議題;近年利用大量資料訓練、建立能由少數數據重建原始訊號之深度學習技術則在MRI造影技術發展上開啟了一個新的發展方向,利用AI使成像品質與MRI造影時間的同時改善的方案亦成為眾MRI設備廠積極研發的領域。

三、結論

近年來人工智慧在放射科影像應用發展百家爭鳴,放射科醫師普遍認為能增進病人安全、減少放射劑量或顯影劑、及提升影像品質的AI為最具臨床價值的技術應用;如新創公司Subtle Medical自2018起且便推出多項不限機台品牌強化MRI、PET成像後影像品質的AI軟體而受到相當矚目,但在缺乏原始機台訊號下造影還原程度相對受限,與機台獨立運行使用上也較為不便。

相較下GE Healthcare、Canon等跨國設備大廠所開發的3D影像重建AI皆直接由量測訊號著手,藉訓練模型辨識系統雜訊而做影像強化,在提升影像品質之外將更能進一步提升影像診斷靈敏度。內建於造影機台將使AI在臨床的應用會更快速普及,深度學習神經網路的技術優勢、限制與演算法的可靠度也將更能被普遍檢驗。特別是隨著機台使用次數增多,造影系統機構狀態的變化是否影響既有模型的造影品質,設備廠商又將如何管理上市後機台搭載的AI軟體產品將值得關注。

參考資料

1. The Evolution of Image Reconstruction for CT—from Filtered Back Projection to Artificial Intelligence. European Radiology (2019) 29:2185–2195
2. Deep Learning for Tomographic Image Reconstruction. Nature Machine Intelligence (2020) 2:737–748

點閱數100
更新日期:2020-04-28

回上一頁 回首頁