Utilizando redes neuronales inteligentemente entrenadas, los investigadores de TU Graz han logrado crear imágenes precisas en tiempo real del corazón latiendo a partir de unos pocos datos de mediciones de resonancia magnética. También se pueden acelerar otras aplicaciones de resonancia magnética utilizando este método.
La obtención de imágenes médicas mediante resonancia magnética (MRI) requiere mucho tiempo porque es necesario crear una imagen a partir de muchos datos de medición separados. Gracias al uso del aprendizaje automático, es posible obtener imágenes incluso con menos datos de medición de resonancia magnética, lo que ahorra tiempo y costos. Sin embargo, su requisito previo son imágenes perfectas que puedan usarse para entrenar modelos de IA. Estas imágenes de entrenamiento perfectas no existen para determinadas aplicaciones, como la resonancia magnética en tiempo real (imágenes en movimiento), porque dichas imágenes siempre son algo borrosas. Un equipo de investigación internacional dirigido por Martin Uecker y Moritz Blumenthal del Instituto de Imágenes Biomédicas de la Universidad Tecnológica de Graz (TU Graz) ha logrado generar imágenes precisas de resonancia magnética en vivo del corazón latiendo sin tales imágenes de entrenamiento y con muy pocos datos de resonancia magnética. . Con la ayuda de una red neuronal inteligentemente entrenada. Gracias a estas mejoras, la resonancia magnética en tiempo real podrá utilizarse con mayor frecuencia en la práctica en el futuro.
Calibración de imágenes mediante datos interceptados.
Martin Uecker y Moritz Blumenthal utilizaron un enfoque de aprendizaje autosupervisado para entrenar su modelo de aprendizaje automático para imágenes por resonancia magnética. La base de entrenamiento del modelo no son imágenes perfectas previamente seleccionadas, sino un subconjunto de datos iniciales a partir de los cuales el modelo debe reconstruir las imágenes. Moritz Blumenthal lo explica así: “Dividimos los datos de medición proporcionados por el dispositivo de resonancia magnética en dos partes. A partir de la primera parte, la más grande, nuestro modelo de aprendizaje automático reconstruye la imagen. Luego intenta calcular la segunda parte de los datos de medición. . Según la imagen, ocultó.” Si el sistema no logra hacer esto o lo hace mal -según la lógica subyacente- la imagen previamente reconstruida debe haber sido errónea. El modelo se actualiza, crea una nueva variante de imagen mejorada e intenta calcular la segunda parte de datos nuevamente. Este proceso continúa durante varias rondas hasta que los resultados sean consistentes. En este proceso de formación, el sistema aprende a partir de un gran número de reconstrucciones de este tipo cómo deberían ser unas buenas imágenes de resonancia magnética. Posteriormente, durante la aplicación, el modelo puede calcular directamente una mejor imagen.
Este método puede hacer que muchas aplicaciones de resonancia magnética sean más rápidas y económicas
“Nuestro proceso está listo para su aplicación”, afirma Martin Uecker, “aunque pasará algún tiempo hasta que pueda aplicarse realmente en la práctica”. El método se puede utilizar para muchas otras aplicaciones de resonancia magnética, haciéndolas más rápidas y, por tanto, más económicas. Esto incluye, por ejemplo, la resonancia magnética cuantitativa, donde los parámetros físicos del tejido se miden y miden con precisión. “Esto permite a los radiólogos acceder a datos precisos para el diagnóstico en lugar de utilizar su experiencia profesional para interpretar imágenes basándose en diferencias de brillo”, explica Martin Uecker. “Hasta ahora, sin embargo, las mediciones cuantitativas de resonancia magnética suelen tardar demasiado. Con nuestro modelo de aprendizaje automático pudimos acelerar estas mediciones sin pérdida de calidad”.
Los hallazgos de la investigación, que se publicaron recientemente en la revista Magnetic Resonance in Medicine, son el resultado de una colaboración internacional e interdisciplinaria en el Institute of Biomedical Imaging. Entre los participantes se encuentran Christina Unterberg (cardióloga del Centro Médico Universitario de Göttingen), Markus Hultmayer (matemático de la Universidad de Innsbruck), Xiaoqing Wang (investigador de resonancia magnética de la Facultad de Medicina de Harvard) y Chiara Fantinato (estudiante Erasmus en Italia). El algoritmo y los datos de la resonancia magnética están disponibles gratuitamente para que otros investigadores puedan reproducir directamente los resultados y desarrollar nuevos métodos.