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.
Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Deascargar La Aplicación Móvil




La inteligencia artificial podría ayudar a reducir las dosis de gadolinio en la resonancia magnética

Por el equipo editorial de Medimaging en español
Actualizado el 24 Dec 2018
Print article
Imagen: Ejemplo de dosis completa, dosis baja del 10 por ciento y dosis baja mejorada con algoritmo (Fotografía cortesía de la RSNA).
Imagen: Ejemplo de dosis completa, dosis baja del 10 por ciento y dosis baja mejorada con algoritmo (Fotografía cortesía de la RSNA).
Investigadores de la Universidad de Stanford (Stanford, CA, EUA) utilizan la inteligencia artificial (IA) para reducir la dosis de un agente de contraste que puede quedar en el cuerpo después de los exámenes de resonancia magnética.

El gadolinio es un metal pesado utilizado como material de contraste para mejorar las imágenes de resonancia magnética. Los estudios recientes han encontrado que quedan cantidades trazas de metal en los cuerpos de las personas a quienes les practican exámenes con ciertos tipos de gadolinio. Aún no se conocen los efectos de estos depósitos, aunque los radiólogos trabajan para optimizar la seguridad del paciente y al mismo tiempo preservar la información importante proporcionada por los escáneres de resonancia magnética con gadolinio. Los investigadores de Stanford lo hacen estudiando el aprendizaje profundo, una técnica sofisticada de inteligencia artificial que enseña a las computadoras usando ejemplos. Al usar modelos llamados redes neuronales convolucionales, las computadoras pueden reconocer imágenes y encontrar distinciones sutiles entre los datos de las imágenes que un observador humano podría ser incapaz de discernir.

Para entrenar el algoritmo de aprendizaje profundo, los investigadores utilizaron imágenes de resonancia magnética de 200 pacientes a quienes les habían practicado estos exámenes con contraste para varias indicaciones. Recogieron tres conjuntos de imágenes para cada paciente: exámenes antes del contraste, realizadas antes de la administración de contraste y denominadas exámenes de dosis cero; exámenes de dosis bajas, adquiridas después de la administración del 10% de la dosis de gadolinio estándar; y exámenes de dosis completas, obtenidas después de la administración del 100% de la dosis. El algoritmo aprendió a aproximar las exploraciones de dosis completa de las imágenes de dosis cero y dosis bajas. Luego, los neurorradiólogos evaluaron las imágenes para mejorar el contraste y la calidad general.

Los resultados mostraron que la calidad de la imagen no era significativamente diferente entre las imágenes de dosis bajas, las imágenes de la resonancia magnética mejoradas con el algoritmo y las imágenes de RM mejoradas con contraste de dosis completa. Los resultados iniciales también demostraron el potencial para crear imágenes de resonancia magnética equivalentes a las obtenidas con la dosis completa, con contraste realzado, sin uso de agente de contraste. Estos hallazgos sugieren el potencial del método para reducir drásticamente la dosis de gadolinio sin sacrificar la calidad del diagnóstico. La investigación futura en el entorno clínico se centrará en la evaluación del algoritmo en una gama más amplia de escáneres de resonancia magnética y con diferentes tipos de agentes de contraste.

“Las imágenes de gadolinio en dosis bajas producen una importante información clínicamente útil sin explotar, a la que se puede acceder mediante el aprendizaje profundo y la IA”, dijo el autor principal del estudio, Enhao Gong, Ph.D., investigador de la Universidad de Stanford. “No tratamos de reemplazar la tecnología de imagenología existente. Tratamos de mejorarla y generar más valor a partir de la información existente, al mismo tiempo que cuidamos la seguridad de nuestros pacientes”.

Enlace relacionado:
Universidad de Stanford


Print article
Radcal

Canales

Imaginología General

ver canal
Imagen: El Dr. Ashish Diwan (I) y el Dr. Kyle Sheldrick (D) (Fotografía cortesía de la UNSW).

Método de post procesamiento aumenta la exactitud de las resonancias magnéticas

Una técnica nueva de resonancia magnética (RM) mejora la exactitud del análisis de los discos espinales degenerados del 70% con los métodos actuales, al 97%, según un estudio nuevo. La técnica de variación... 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.