Mejores vídeos de resonancia magnética gracias a un nuevo método de aprendizaje automático

Utilizando redes neuronales inteligentemente entrenadas, los investigadores de TU Graz han logrado generar 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 mediante este procedimiento. El estudiar se publica en Resonancia Magnética en Medicina.

La obtención de imágenes médicas mediante resonancia magnética (MRI) requiere mucho tiempo, ya que es necesario crear una imagen a partir de datos de muchas mediciones individuales. Gracias al uso del aprendizaje automático, también es posible obtener imágenes con menos datos de medición de resonancia magnética, lo que ahorra tiempo y costes.

Sin embargo, el requisito previo para ello son imágenes perfectas que puedan usarse para entrenar los modelos de IA. Estas imágenes de entrenamiento perfectas no existen para determinadas aplicaciones, como la resonancia magnética en tiempo real (imágenes en movimiento), ya que dichas imágenes siempre aparecen 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, incluso sin dichas imágenes de entrenamiento y con muy pocos datos de resonancia magnética. con la ayuda de redes neuronales inteligentemente entrenadas. Gracias a estas mejoras, la resonancia magnética en tiempo real podría utilizarse con mayor frecuencia en la práctica en el futuro.

Calibración de imágenes a través de datos retenidos.

Uecker y Blumenthal utilizaron métodos de aprendizaje autosupervisados ​​para entrenar su modelo de aprendizaje automático para imágenes por resonancia magnética. La base para entrenar el modelo no son imágenes perfectas previamente seleccionadas, sino un subconjunto de datos iniciales a partir de los cuales el modelo debe reconstruir las imágenes.

Blumenthal explica: «Dividimos los datos de medición proporcionados por el dispositivo de resonancia magnética en dos porciones. A partir de la primera porción de datos más grande, nuestro modelo de aprendizaje automático reconstruye la imagen. Luego intenta calcular la segunda porción de los datos de medición retenidos en ella. la base de la imagen.»

Si el sistema no logra hacer esto o lo hace mal, según la lógica subyacente, la imagen previamente reconstruida debe haber sido incorrecta. El modelo se actualiza, crea una nueva variante de imagen mejorada e intenta calcular la segunda porción de datos nuevamente. Este proceso se ejecuta durante varias rondas hasta que el resultado sea consistente.

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 buena imagen.

Este procedimiento puede hacer que muchas aplicaciones de resonancia magnética sean más rápidas y económicas

«Nuestro proceso está listo para su aplicación», afirma Uecker, «aunque probablemente pasará algún tiempo antes de que se aplique realmente en la práctica». El método se puede utilizar para muchas otras aplicaciones de resonancia magnética para hacerlas más rápidas y, por lo tanto, más económicas. Esto incluye, por ejemplo, la resonancia magnética cuantitativa, en la que los parámetros físicos del tejido se miden y cuantifican con precisión.

«Esto permite a los radiólogos acceder a datos precisos para realizar diagnósticos en lugar de tener que interpretar las imágenes basándose en diferencias de brillo basándose en su experiencia profesional», explica Uecker. «Hasta ahora, sin embargo, las mediciones cuantitativas por resonancia magnética solían llevar mucho tiempo. Con nuestro modelo de aprendizaje automático pudimos acelerar considerablemente estas mediciones sin pérdida de calidad».

Los resultados de la investigación son el resultado de una colaboración internacional e interdisciplinaria del Instituto de Imágenes Biomédicas. Entre los participantes se encontraban Christina Unterberg (cardióloga del Centro Médico Universitario de Göttingen), Markus Haltmeier (matemático de la Universidad de Innsbruck), Xiaoqing Wang (investigador de resonancia magnética de la Facultad de Medicina de Harvard) y Chiara Fantinato (estudiante Erasmus de Italia).

Los algoritmos y los datos de la resonancia magnética están disponibles gratuitamente para que otros investigadores puedan reproducir los resultados directamente y aprovechar el nuevo método.