Investigadores del MIT utilizan Aprendizaje Profundo y Física para corregir las imágenes de resonancia magnética (MRI) dañadas por el movimiento
Investigadores del MIT usan Aprendizaje Profundo y Física para corregir imágenes de resonancia magnética (MRI) movidas
Una resonancia magnética (MRI, por sus siglas en inglés) es una prueba que crea imágenes claras de las estructuras dentro de tu cuerpo utilizando un imán grande, ondas de radio y una computadora. Los proveedores de atención médica utilizan las MRI para evaluar, diagnosticar y monitorear varias condiciones médicas.
Mientras que las radiografías y las tomografías computarizadas tienen sus méritos, las MRI ofrecen un contraste superior de los tejidos blandos y una imagen de alta calidad. Aunque ofrece un contraste excepcional de los tejidos blandos y una imagen de alta calidad, la MRI sigue siendo susceptible a las interferencias de movimiento, donde incluso los movimientos leves pueden introducir artefactos disruptivos en la imagen. Estos artefactos, que afectan la precisión de las imágenes médicas, pueden dificultar la identificación de los problemas de un paciente por parte de los médicos. Esto puede llevar a tratamientos que no son tan buenos porque los médicos pueden pasar por alto detalles importantes.
Incluso los movimientos mínimos pueden comprometer las exploraciones breves, lo que afecta de manera única las imágenes de la MRI. A diferencia del desenfoque de una cámara, los artefactos de movimiento de la MRI pueden distorsionar imágenes completas.
Según un estudio de Radiología de la Universidad de Washington, aproximadamente el 15 por ciento de las exploraciones de MRI del cerebro se ven afectadas por el movimiento, lo que requiere exploraciones adicionales. Este requisito de repetición de imágenes contribuye a un gasto anual de aproximadamente $115,000 por escáner en los hospitales, con el objetivo de obtener imágenes de diagnóstico confiables en varias modalidades de MRI.
- Comenzando con LlaMA 2 | La nueva Inteligencia Artificial generativ...
- Google AI Research propone un enfoque general para la generación de...
- Una guía completa sobre Expresiones de Tabla Comunes en SQL
Para solucionar este problema, los investigadores del MIT han dado un paso significativo al aprovechar el poder de la tecnología de aprendizaje profundo. Utilizaron el aprendizaje profundo para encontrar una solución. Combinaron el aprendizaje profundo con la física y descubrieron resultados sorprendentes.
Su método implica construir computacionalmente una imagen libre de movimiento a partir de datos corruptos por movimiento sin cambiar el procedimiento de exploración. La importancia de adoptar este enfoque integrado radica en su capacidad para mantener la coherencia entre las imágenes resultantes y las mediciones factuales del tema en cuestión.
No lograr esta alineación podría hacer que el modelo genere lo que se conoce como “alucinaciones”: imágenes aparentemente genuinas que, en realidad, se desvían de los atributos físicos y espaciales reales. Estas discrepancias pueden alterar potencialmente los resultados diagnósticos, subrayando la importancia crítica de una representación precisa en la imágenes médicas.
Mirando hacia el futuro, destacaron el emocionante potencial de futuros estudios para profundizar en formas más complejas de movimiento de la cabeza y el movimiento que afecta diferentes regiones del cuerpo. Por ejemplo, en la MRI fetal, el desafío radica en lidiar con movimientos rápidos e impredecibles, que van más allá de las capacidades de los modelos básicos de traducción y rotación. Esto subraya la necesidad de desarrollar estrategias más sofisticadas que tengan en cuenta los patrones de movimiento complicados, ofreciendo una vía prometedora para mejorar las aplicaciones de MRI en diversos escenarios anatómicos.
