La capacidad de un radiólogo de realizar diagnósticos precisos a partir de estudios de diagnóstico por imágenes de alta calidad afecta directamente el resultado del paciente. Sin embargo, la adquisición de datos suficientes para generar imágenes de mejor calidad tiene un costo: una mayor dosis de radiación para la tomografía computarizada TC y la emisión de positronestomografía PET o tiempos de exploración incómodamente largos para imágenes de resonancia magnética MRI. Ahora los investigadores del Centro Athinoula A. Martinos para Imágenes Biomédicas en el Hospital General de Massachusetts MGH han abordado este desafío con una nueva técnica basada en inteligencia artificial y máquinaaprendizaje, que permite a los médicos adquirir imágenes de mayor calidad sin tener que recopilar datos adicionales. Describen la técnica, denominada AUTOMAP transformación automatizada por aproximación múltiple, en un artículo publicado hoy en la revista Naturaleza .
"Una parte esencial de la tubería de imágenes clínicas es la reconstrucción de imágenes, que transforma los datos brutos que salen del escáner en imágenes para que los radiólogos los evalúen", dice Bo Zhu, PhD, investigador en el Centro MGH Martinos y primer autor deel Naturaleza papel. "El enfoque convencional para la reconstrucción de imágenes utiliza una cadena de módulos de procesamiento de señales artesanales que requieren un ajuste manual de parámetros por parte de expertos y, a menudo, no pueden manejar imperfecciones de los datos sin procesar, como el ruido. Introducimos un nuevo paradigma en el queEl algoritmo de reconstrucción de imagen se determina automáticamente mediante la inteligencia artificial de aprendizaje profundo.
"Con AUTOMAP, hemos enseñado a los sistemas de imágenes a 'ver' la forma en que los humanos aprenden a ver después del nacimiento, no a través de la programación directa del cerebro sino mediante la promoción de conexiones neuronales para adaptarse orgánicamente a través del entrenamiento repetido en ejemplos del mundo real", Zhuexplica: "Este enfoque permite que nuestros sistemas de imágenes encuentren automáticamente las mejores estrategias computacionales para producir imágenes claras y precisas en una amplia variedad de escenarios de imágenes".
La técnica representa un salto importante para la obtención de imágenes biomédicas. Al desarrollarla, los investigadores aprovecharon los muchos avances realizados en los últimos años tanto en los modelos de redes neuronales utilizados para la inteligencia artificial como en las unidades de procesamiento gráfico GPU que impulsanLas operaciones, ya que la reconstrucción de imágenes, particularmente en el contexto de AUTOMAP, requiere una inmensa cantidad de cómputo, especialmente durante el entrenamiento de los algoritmos. Otro factor importante fue la disponibilidad de grandes conjuntos de datos "grandes datos", que son necesariospara entrenar grandes modelos de redes neuronales como AUTOMAP. Debido a que aprovecha estos y otros avances, dice Zhu, la técnica no hubiera sido posible hace cinco años o tal vez incluso hace un año.
AUTOMAP ofrece una serie de beneficios potenciales para la atención clínica, incluso más allá de producir imágenes de alta calidad en menos tiempo con MRI o con dosis más bajas con rayos X, CT y PET. Debido a su velocidad de procesamiento, la técnica podría ayudar a hacerdecisiones en tiempo real sobre protocolos de imágenes mientras el paciente está en el escáner.
"Dado que AUTOMAP se implementa como una red neuronal de avance, la velocidad de reconstrucción de la imagen es casi instantánea, solo decenas de milisegundos", dice el autor principal Matt Rosen, PhD, director del MRI de campo bajo y del Laboratorio de medios hiperpolarizados y compañía-director del Centro de Aprendizaje Automático en el Centro MGH Martinos. "Algunos tipos de escaneos requieren actualmente un procesamiento computacional que requiere mucho tiempo para reconstruir las imágenes. En esos casos, la retroalimentación inmediata no está disponible durante la imagen inicial, y puede repetirse un estudiose requiere para identificar mejor una sospecha de anormalidad. AUTOMAP proporcionaría una reconstrucción instantánea de la imagen para informar el proceso de toma de decisiones durante el escaneo y podría evitar la necesidad de visitas adicionales ".
Notablemente, la técnica también podría ayudar a avanzar en otras aplicaciones de inteligencia artificial y aprendizaje automático. Gran parte del entusiasmo actual que rodea el aprendizaje automático en imágenes clínicas se centra en el diagnóstico asistido por computadora. Debido a que estos sistemas se basan en imágenes de alta calidad para un diagnóstico precisoevaluaciones, AUTOMAP podría desempeñar un papel en su avance para uso clínico futuro.
"Nuestro enfoque de IA está mostrando mejoras notables en la precisión y la reducción de ruido y, por lo tanto, puede avanzar en una amplia gama de aplicaciones", dice Rosen. "Estamos increíblemente emocionados de tener la oportunidad de implementar esto en el espacio clínico donde AUTOMAP puedetrabaje junto con computadoras de bajo costo aceleradas por GPU para mejorar las imágenes clínicas y los resultados "
Fuente de la historia :
Materiales proporcionado por Hospital General de Massachusetts . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :