Mejorar la calidad de la imagen médica con Inteligencia Artificial

Un equipo de investigación con financiamiento del Instituto Nacional para la proyección de imagen biomédica y bioingeniería (NIBIB) ha desarrollado una técnica de computación avanzada para rápida y costo efectivamente mejorar la calidad de la proyección de imagen biomédica. La tecnología, llamada AutoMap, utiliza el aprender de máquina y el software, denominado redes neuronales — inspirado por la capacidad del cerebro para procesar información y percibir o tomar decisiones. AutoMapa encuentra las mejores estrategias computacionales para producir imágenes claras y precisas para diferentes tipos de análisis médicos.

En “imagen reconstrucción por transformación de dominio múltiples aprendizaje,” publicado en la revista Nature, los investigadores del Massachusetts General Hospital (MGH) Martinos Center for Biomedical Imaging y la Universidad de Harvard encontraron que el Sistema de AutoMap podría producir imágenes de IRM de cerebro con mejor señal y menos ruido que las técnicas convencionales de MRI. Lograr una buena relación señal a ruido es un factor clave en la generación de una exploración de MRI de la calidad.

MRI utiliza un campo magnético y ondas de radio para crear imágenes detalladas de los tejidos dentro del cuerpo. Ruido de cualquier fuentes electrónicas o de tejidos en el cuerpo son perjudiciales para la calidad de imagen, reproductores de imágenes buscan formas de disminuir su efecto.

“Las mejoras de la relación señal a ruido que obtenemos directamente de este método basado en la inteligencia artificial acelera la adquisición de imágenes de RM de bajo campo,” dice el autor principal Bo Zhu, investigador postdoctoral en radiología en la escuela médica de Harvard y en física en el MGH Martinos Center. NIBIB ha apoyado investigación postdoctoral de Zhu sobre este proyecto. Zhu dice que la red neuronal de AutoMap será compatible con estrategias de adquisición de imagen novedosas y diseños de hardware no convencionales.

AutoMapa bate a través de y aprende de — los datos de cuales imágenes y aplica métodos matemáticos en la reconstrucción de los nuevos. El equipo utilizó un conjunto de 50.000 IRM de cerebro del proyecto del conectoma humano respaldados por el NIH para entrenar el sistema utilizados para reconstruir imágenes en su estudio, demostrando con éxito mejoras en la reducción de ruido y artefactos de reconstrucción sobre existente métodos.

AutoMapa logra la reconstrucción de la imagen casi instantánea, según el autor principal Matt Rosen, director del laboratorio de medios de comunicación Hyperpolarized y bajo campo MRI y codirector del centro para el aprendizaje de máquina en el MGH Martinos Center. La razón de la velocidad de procesamiento rápida — a sólo decenas de milisegundos, es que la red neuronal no tiene ciclos o bucles, sino que es un sistema de feedforward.

“Algunos tipos de análisis actualmente requieren procesamiento computacional desperdiciador de tiempo para reconstruir las imágenes”, dice Rosen. “En esos casos, no hay retroalimentación inmediata durante la proyección de imagen inicial, y un estudio de la repetición puede ser necesaria para identificar mejor una anormalidad sospechosa. AutoMapa proporcionaría la reconstrucción de la imagen instantánea para informar la toma de decisiones durante la digitalización y podría evitar la necesidad de visitas adicionales del paciente.”

Además de Zhu y Matt Rosen, el estudio de la naturaleza es sido autor por Jeremiah Z. Liu, Stephen F. Cauley y Bruce R. Rosen.

“Esta tecnología podría convertirse en un cambiador de juego, como los enfoques para mejorar la relación señal a ruido se basan en hardware costoso del MRI o en tiempos de la exploración prolongada,” afirma Shumin Wang, director del programa NIBIB en proyección de imagen de resonancia magnética. “También puede ser ventajoso para otras aplicaciones de MRI significativos que han estado plagados de cociente signal-to-noise bajo durante décadas, como múltiples nuclear espectroscopia”.

Haga clic aquí para más información