Algorytm sztucznej inteligencji do generowania przestrzennych macierzy b (AIBSD)

W ramach implementacji i rozwoju metody AIBSD, przetestowano wiele architektur sieci głębokich (konwolucyjne sieci neuronowe, autoenkodery, generatywne sieci przeciwstawne), różne schematy danych wejściowych oraz metody ich preprocessingu. Końcowym wynikiem przeprowadzonych eksperymentów jest wytrenowany model konwolucyjnej sieci neuronowej, który osiąga tak samo dobre wyniki w usuwaniu błędów systematycznych jak metoda BSD-DTI, kiedy zastosowany na fantomie, oraz prawie tak samo dobrą skuteczność w przypadku badań in vivo. Jest to znaczny postęp w kierunku wyeliminowania potrzeby każdorazowego pomiaru fantomu, w celu usunięcia błędów systematycznych.

Model został przetestowany na 30 badaniach (zawierających pomiar fantomu i in vivo), które nie brały udziału w trenowaniu modelu. Najpierw generowano macierz b, na podstawie pomiaru fantomu (AIBSD_P) lub in vivo (AIBSD_B), a następnie obliczano DTI na tożsamym pomiarze fantomu. Dla każdego badania zostały policzone metryki FA i MD dla 4 różnych macierzy b – macierzy przestrzennie jednorodnej (STD), otrzymanej za pomocą metody BSD (BSD) i za pomocą metody AIBSD (AIBSD_P i AIBSD_B). Wartości FA znacząco zmalały po zastosowaniu metod BSD i AIBSD, co jest dowodem na usunięcie błędów systematycznych, ze względu na to że pomiar odbywał się na fantomie izotropowym. Dokładnie wartości FA wynoszą 4,07E-02 (STD), 2,91E-02 (BSD), 2,92E-02 (AIBSD_P) i 3,13E-02 (AIBSD_B). Metoda AIBSD_B jest nieco mniej skuteczna w usuwaniu błędu systematycznego w porównaniu do BSD i AIBSD_P, ale nadal usuwa go w znacznym stopniu, redukując FA o około 24% w porównaniu do STD. Na Figurze 1. można zauważyć jak porównywalne wyniki otrzymujemy przy pomocy metod BSD i AIBSD_P

Fig. 2. Porównanie wyników FA uzyskanych na 30 fantomach izotropowych przy użyciu 4 metod (STD,BSD, AIBSD_P i AIBSD_B). Na diagonali przedstawione są histogramy, w lewym dolnym rogu znajdują się wykresy Blanda-Altmana, a w prawym górnym dane dopasowane do modelu regresji liniowej.

Dodatkowo, skuteczność usuwania błędów systematycznych można ocenić poprzez analizę odchylenia standardowego wartości MD w pojedynczym badaniu. W celu lepszego zobrazowania tej skuteczności, wykonano wizualizację rozkładów obu metryk – FA i MD – dla pojedynczego fantomu (Fig. 2.). Ta analiza pozwala na dokładniejsze porównanie efektywności różnych metod, ukazując nie tylko średnie wartości, ale również ich zmienność. Również w tym porównaniu można wywnioskować, że metoda AIBSD generuje zbliżone wyniki do metody referencyjnej BSD-DTI, szczególnie na pomiarach pochodzących z fantomu.