Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Eventos

14 mar 2019 - 17 mar 2019

Investigadores del MIT desarrollan herramienta de IA que compara imágenes en 3D

Por el equipo editorial de Medimaging en español
Actualizado el 05 Jul 2018
Print article
Imagen: El algoritmo VoxelMorph permite el registro de los exámenes cerebrales y de otras imágenes en 3D más de 1.000 veces más rápido usando técnicas de aprendizaje novedosas (Fotografía cortesía del MIT).
Imagen: El algoritmo VoxelMorph permite el registro de los exámenes cerebrales y de otras imágenes en 3D más de 1.000 veces más rápido usando técnicas de aprendizaje novedosas (Fotografía cortesía del MIT).
Un equipo de investigadores del Instituto Tecnológico de Massachusetts (Cambridge, MA, EUA) presentó un par de documentos de conferencia que describen un algoritmo de aprendizaje automático que puede registrar los exámenes cerebrales y otras imágenes en 3D, más de 1.000 veces más rápido usando nuevas técnicas de aprendizaje. El algoritmo funciona mientras registra miles de pares de imágenes y adquiere información durante este proceso sobre cómo alinear las imágenes y calcular algunos parámetros de alineación óptimos. Después del entrenamiento, el algoritmo usa esos parámetros para asignar todos los píxeles de una imagen a otra simultáneamente. Esto reduce el tiempo de registro a uno o dos minutos usando una computadora normal, o a menos de un segundo usando una GPU con una exactitud similar a la de los sistemas más avanzados.

Con el fin de analizar las variaciones en las estructuras cerebrales en pacientes con una enfermedad o condición particular, los neurocientíficos usan frecuentemente la técnica de registro de imágenes médicas. Esto implica la superposición de dos imágenes, como las imágenes de resonancia magnética (RM), para comparar y analizar las diferencias anatómicas en gran detalle. Sin embargo, este proceso generalmente demora dos horas o más, ya que los sistemas tradicionales alinean meticulosamente cada uno de los potencialmente millones de píxeles en los escaneos combinados. Dado que los exámenes de resonancia magnética son básicamente cientos de imágenes en 2D apiladas que forman imágenes tridimensionales masivas, llamadas “volúmenes”, que contienen un millón o más de píxeles en 3D, llamados “vóxeles”, puede ser muy laborioso alinear todos los vóxeles en el primer volumen con aquellos en el segundo. Además, los escaneos provenientes de diferentes máquinas y con diferentes orientaciones espaciales pueden hacer que la coincidencia de los vóxeles sea un proceso aún más complejo desde el punto de vista computacional.

El algoritmo de los investigadores llamado VoxelMorph está impulsado por una red neuronal convolucional (CNN), un método de aprendizaje automático comúnmente utilizado para el procesamiento de imágenes. Estas redes consisten en varios nodos que procesan imágenes y otra información a través de varias capas de computación. Los investigadores entrenaron su algoritmo en 7.000 exámenes de resonancia magnética del cerebro disponibles públicamente y luego lo probaron en 250 exámenes adicionales. Durante el entrenamiento, los investigadores alimentaron los exámenes cerebrales en el algoritmo por parejas. Usando una CNN y una capa de computación modificada llamada transformador espacial, el método captura las similitudes de los vóxeles en una resonancia magnética con los vóxeles en la otra exploración. Esto permite que el algoritmo obtenga información sobre grupos de vóxeles, como las formas anatómicas comunes a ambos exámenes, que utiliza para calcular parámetros optimizados que se pueden aplicar a cualquier par de exámenes.

Cuando se introducen dos nuevos exámenes en el algoritmo, una función matemática simple usa esos parámetros optimizados para calcular rápidamente la alineación exacta de cada vóxel en ambos exámenes. Por lo tanto, el componente CNN del algoritmo obtiene toda la información necesaria durante el entrenamiento de modo que, durante cada nuevo registro, el registro completo se puede ejecutar usando una evaluación de función fácilmente computable. Los investigadores descubrieron que su algoritmo podía registrar con exactitud todos sus 250 escáneres cerebrales de prueba, aquellos registrados después del conjunto de entrenamiento, en dos minutos usando una unidad de procesamiento central tradicional y en menos de un segundo usando una unidad de procesamiento de gráficos. Lo que es particularmente notable es que el algoritmo es “no supervisado”, lo que significa que no requiere información adicional aparte de los datos de las imágenes. Algunos algoritmos de registro incorporan modelos CNN pero requieren una “verdad fundamental”, lo que significa que otro algoritmo tradicional se ejecuta primero para calcular registros exactos. Sin embargo, el algoritmo desarrollado por los investigadores del MIT mantiene su exactitud sin necesidad de esos datos.

Además de analizar exámenes cerebrales, el algoritmo veloz podría encontrar una amplia gama de posibles aplicaciones, según los investigadores. Por ejemplo, otros investigadores en el MIT actualmente usan el algoritmo en imágenes de los pulmones. El algoritmo también podría permitir el registro de imágenes durante las operaciones y permitir a los cirujanos registrar potencialmente los exámenes casi en tiempo real, obteniendo una imagen mucho más clara del progreso de la cirugía.

“Este es un caso donde un cambio cuantitativo suficientemente grande [de registro de imágenes] - de horas a segundos - se convierte en uno cualitativo, abriendo nuevas posibilidades como ejecutar el algoritmo durante un examen mientras el paciente aún está en el escáner, habilitando la toma de decisiones clínicas sobre qué tipos de datos se deben adquirir y en qué parte del cerebro se debe enfocar sin obligar al paciente a volver días o semanas después “, dijo Bruce Fischl, profesor de radiología en la Facultad de Medicina de Harvard y neurocientífico en el Hospital General de Massachusetts. Los artículos fueron presentados por los investigadores del MIT en la Conferencia sobre Visión Computacional y Reconocimiento de Patrones (CVPR) y en la Conferencia de Informática Médica e Intervenciones Asistidas por Computadora (MICCAI).


Print article
Radcal
Italray

Canales

Radiografía

ver canal
Imagen: Las pruebas de aisladores cristalinos pueden medir los niveles de radiación de fondo (Fotografía cortesía de la Universidad Estatal de Carolina del Norte).

Unas pruebas cristalinas evalúan rápidamente la exposición a la radiación

Un estudio nuevo afirma que el análisis de los aisladores cristalinos que se encuentran en la mayoría de los dispositivos electrónicos modernos, podría facilitar la dosimetría de respuesta de emergencia... Más

Ultrasonido

ver canal
Imagen: El aprendizaje profundo y la inteligencia artificial (AI) transforman los exámenes de ultrasonido obstétrico en una experiencia más fácil, más rápida, más consistente y mucho más exacta (Fotografía cortesía de SonoScape).

Una tecnología con IA automatiza el flujo de trabajo del ultrasonido obstétrico

El algoritmo S-fetus de SonoScape Medical (Shenzhen, China), diseñado para el sistema de ultrasonido S60, ha sido diseñado para simplificar un procedimiento de ultrasonido obstétrico estándar reduciéndolo... Más

Medicina Nuclear

ver canal
Imagen: La plataforma de radiocirugía giroscópica ZAP-X (Fotografía cortesía de ZAP Surgical Systems).

Una plataforma de radiocirugía giroscópica hace la ablación de tumores de cerebro

Una plataforma nueva de radioterapia (RT) administra radiocirugía estereotáctica de dosis altas (SRS) para extirpar de forma no invasiva los tumores cerebrales y otras afecciones intracraneales seleccionadas.... Más

Imaginología General

ver canal
Imagen: El nuevo sistema de resonancia magnética, Magnetom Lumina 3T (Fotografía cortesía de Siemens Healthineers).

Un escáner de resonancia magnética de gran apertura mejora la satisfacción de los pacientes.

Un dispositivo innovador de imágenes de resonancia magnética (RM) utiliza una tecnología centrada en el paciente para simplificar y acortar los flujos de trabajo y aumentar la productividad, la reproducibilidad... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.