Utilizando redes neuronales entrenadas de forma inteligente, los investigadores de la TU Graz han logrado crear imágenes en tiempo real de un 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 hay que 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 costos. Sin embargo, el requisito previo para ello son imágenes perfectas que puedan usarse para entrenar modelos de IA. Estas imágenes de entrenamiento óptimas no existen para algunas aplicaciones, como la resonancia magnética en tiempo real (imagen 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 imágenes de resonancia magnética precisas del corazón latiendo sin tales imágenes de entrenamiento y con muy pocos datos de resonancia magnética. logró crear imágenes. Con la ayuda de redes neuronales entrenadas inteligentemente. 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 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 pregeneradas, sino más bien un subconjunto de datos iniciales a partir de los cuales el modelo tiene que reconstruir las imágenes. Moritz Blumenthal lo explica así: “Dividimos los datos de medición proporcionados por el dispositivo de resonancia magnética en dos partes. Primero, a partir de la parte de big data, nuestro modelo de aprendizaje automático reconstruye la imagen. Luego intenta calcular otra parte de los datos de medición basándose en en la imagen que interceptó.” Si el sistema no logra hacerlo o funciona muy mal (según la lógica básica), la imagen reconstruida previamente debe haber sido incorrecta. El modelo se actualiza, crea una nueva imagen mejorada e intenta recalcular otro segmento de datos. Este proceso continúa 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 Martin Uker, “aunque puede llevar algo de tiempo ponerlo en práctica. El método se puede utilizar para muchas otras aplicaciones de resonancia magnética, para que sean más rápidas y, por tanto, más económicas”. Esto incluye, por ejemplo, la resonancia magnética cuantitativa, que mide y cuantifica con precisión los parámetros de los tejidos del cuerpo, explica Martin Uker: “Sin embargo, hasta ahora, el uso de la experiencia permite acceder a datos precisos para el diagnóstico”. , las mediciones cuantitativas de resonancia magnética suelen tardar bastante tiempo. Con nuestro modelo de aprendizaje automático, pudimos acelerar significativamente estas mediciones sin pérdida de calidad”.
Los hallazgos de la investigación, publicados recientemente en Magnetic Resonance in Medicine, son el resultado de una colaboración internacional e interdisciplinaria en el 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 Fontinato (estudiante Erasmus de Italia). Los algoritmos y los datos de resonancia magnética están disponibles gratuitamente para que otros investigadores puedan reproducir los resultados directamente y desarrollar nuevos métodos.
