Nueva técnica de reconstrucción de imágenes combina ciencia de datos con aprendizaje automático para resonancias magnéticas más rápidas

Durante la última década, los científicos han estado haciendo que la resonancia magnética nuclear (RMN) sea más rápida utilizando una técnica llamada detección comprimida, que utiliza la idea de que las imágenes se pueden comprimir en tamaños más pequeños, similar a comprimir un archivo .jpeg en una computadora. Más recientemente, los investigadores han estado averiguando el uso del aprendizaje profundo, un tipo de aprendizaje automático, para acelerar la reconstrucción de imágenes de resonancia magnética. En lugar de capturar todas las frecuencias durante el procedimiento de resonancia magnética, este proceso omite frecuencias y utiliza un algoritmo de aprendizaje automático entrenado para predecir los resultados y llenar esos vacíos.

Muchos estudios han demostrado que el aprendizaje profundo es mejor que la detección comprimida tradicional por un amplio margen. Sin embargo, existen algunas preocupaciones con el uso del aprendizaje profundo; por ejemplo, tener datos de entrenamiento insuficientes podría crear un sesgo en el algoritmo que podría hacer que malinterprete los resultados de la resonancia magnética. Ahora, utilizando una combinación de herramientas modernas de ciencia de datos e ideas de aprendizaje automático, los investigadores han encontrado una manera de ajustar el método de compresión tradicional para que sea casi tan de alta calidad como el aprendizaje profundo. Este hallazgo de científicos e ingenieros de la Universidad de Minnesota (Minneapolis, MN, EUA) proporciona una nueva dirección de investigación para el campo de la reconstrucción de resonancia magnética. Puede mejorar el rendimiento de las técnicas de reconstrucción de resonancia magnética tradicionales, lo que permite resonancias magnéticas más rápidas para mejorar la atención médica.

“Las resonancias magnéticas toman mucho tiempo porque los datos se adquieren de manera secuencial. Tienes que llenar el espacio de frecuencia de tu imagen de manera sucesiva”, explicó Mehmet Akcakaya, profesor asociado de Jim y Sara Anderson en el Departamento de Ingeniería Eléctrica e Informática de la Universidad de Minnesota. “Queremos hacer que las resonancias magnéticas sean más rápidas para que los pacientes estén allí por menos tiempo y para que podamos aumentar la eficiencia en el sistema de salud”.

“Lo que estamos diciendo es que hay mucha expectación en torno al aprendizaje profundo en las resonancias magnéticas, pero tal vez esa brecha entre los métodos nuevos y tradicionales no es tan grande como se informó anteriormente”, dijo Akcakaya. “Descubrimos que si sajustas los métodos clásicos, pueden funcionar muy bien. Entonces, tal vez deberíamos volver y mirar los métodos clásicos y ver si podemos obtener mejores resultados. También hay una gran cantidad de investigaciones excelentes en torno al aprendizaje profundo, pero estamos tratando de mirar ambos lados de la imagen para ver dónde podemos encontrar el mejor rendimiento, las garantías teóricas y la estabilidad”.

Enlaces relacionados:
Universidad de Minnesota  

Visitar la expo >

Miembro Oro

Solid State Kv/Dose Multi-Sensor

AGMS-DM+

Portable Radiology System

DRAGON ELITE & CLASSIC

Oncology Information System

RayCare

Ultrasound Doppler System

Doppler BT-200