Avance en modelo de aprendizaje profundo mejora las imágenes médicas 3D con dispositivos portátiles

La ecografía es una técnica diagnóstica vital que permite visualizar órganos y tejidos internos en tiempo real, además de guiar procedimientos como biopsias e inyecciones. Cuando se combina con la imagen fotoacústica en sistemas de ecografía y fotoacústica (PAUS), sus capacidades se mejoran aún más. Sin embargo, la ecografía tradicional solo captura áreas bidimensionales limitadas, lo que restringe la comprensión de estructuras anatómicas tridimensionales complejas.

Si bien algunos transductores proporcionan imágenes en 3D, son caros y tienen campos de visión estrechos. Una alternativa, la técnica 3D a mano alzada, une múltiples escaneos 2D, pero depende de sensores externos para rastrear el movimiento del transductor. Estos sensores suelen ser voluminosos, costosos e imprecisos, lo que limita la utilidad clínica de la técnica. Ahora, investigadores han desarrollado un nuevo enfoque impulsado por inteligencia artificial (IA) que permite la reconstrucción 3D en tiempo real de imágenes de ecografía sin depender de sensores de movimiento externos.

El modelo de aprendizaje profundo, llamado MoGLo-Net, ha sido desarrollado por investigadores de la Universidad Nacional de Pusan (Busan, Corea del Sur) y rastrea automáticamente el movimiento del transductor de ultrasonido utilizando únicamente datos de moteado de tejido de imágenes de ultrasonido en modo B. El sistema incluye dos componentes principales: un codificador basado en ResNet y un estimador de movimiento basado en LSTM.

El codificador aplica operaciones de correlación para detectar patrones de movimiento de imágenes consecutivas e incorpora un novedoso mecanismo de autoatención para resaltar características locales relevantes informadas por el contexto global. Estas características refinadas se pasan luego al estimador LSTM, que rastrea el movimiento a lo largo del tiempo utilizando memoria a largo plazo, lo que garantiza una cartografía espacial 3D precisa.  Se emplearon funciones de pérdida personalizadas para mejorar la precisión del modelo. Este enfoque elimina la necesidad de sensores externos de movimiento y permite una reconstrucción 3D continua a partir de escaneos estándar en 2D.

Los investigadores validaron MoGLo-Net utilizando conjuntos de datos tanto propios como públicos en diversas condiciones y demostraron que superó a los modelos de vanguardia actuales en todas las métricas probadas. En un logro revolucionario, el equipo también integró datos ultrasónicos y fotoacústicos utilizando MoGLo-Net para generar imágenes 3D de vasos sanguíneos, una primicia en la industria.

Los resultados, publicados en IEEE Transactions on Medical Imaging, indican que este modelo mejora significativamente la calidad y la accesibilidad de las imágenes 3D, transformando potencialmente el diagnóstico por imagen y los procedimientos intervencionistas al ofrecer soluciones precisas, eficientes y rentables. El equipo planea continuar perfeccionando el modelo y explorando aplicaciones clínicas más amplias para democratizar aún más el acceso a la ecografía avanzada.

“Nuestro modelo posee un inmenso potencial clínico en el diagnóstico por imagen e intervenciones relacionadas”, afirmó el profesor MinWoo Kim, profesor asociado e investigador principal del estudio. “Al ofrecer imágenes 3D nítidas de diversas estructuras corporales, esta tecnología puede contribuir a que los procedimientos médicos sean más seguros y eficaces. Cabe destacar que, al eliminar la necesidad de sensores voluminosos, esta tecnología democratiza el uso de la ecografía, haciéndola accesible a clínicas donde los especialistas podrían no estar disponibles”.

Enlaces relacionados:
Universidad Nacional de Pusan

Visitar la expo >

Radiation Safety Barrier

RayShield Intensi-Barrier

Floor‑Mounted Digital X‑Ray System

MasteRad MX30+

Portable X-ray Unit

AJEX140H

Pocket Fetal Doppler

CONTEC10C/CL