La resonancia magnética potenciada por IA mejora el diagnóstico de enfermedades del cerebro

En la intersección de la inteligencia artificial (IA) y la ciencia médica, existe un creciente interés en aprovechar el aprendizaje automático para mejorar los datos de imágenes obtenidos a través de la tecnología de resonancia magnética (RM). Investigaciones recientes indican que la RM de campo ultraalto a 7 Tesla (7T) ofrece una resolución significativamente mayor y puede proporcionar beneficios clínicos sobre la resonancia de alto campo a 3 Tesla (3T) al delinear estructuras anatómicas críticas para identificar y monitorear tejido patológico, especialmente en el cerebro. Los investigadores ahora han creado un algoritmo de aprendizaje automático destinado a mejorar las RM de 3T mediante la síntesis de imágenes que se asemejan a las obtenidas a partir de RM de 7T. Su modelo mejora la fidelidad de la visualización del tejido patológico para obtener conocimientos clínicos más profundos y marca un nuevo avance en la evaluación de las aplicaciones clínicas de los modelos sintéticos de RM de 7T.

Un equipo de investigación de UCSF Health (San Francisco, CA, EUA) recopiló datos de imágenes de pacientes diagnosticados con lesiones cerebrales traumáticas leves (LCT) leve. Diseñaron y entrenaron tres modelos de redes neuronales para mejorar las imágenes y segmentar imágenes 3D utilizando las RM sintéticas de 7T generadas a partir de RM estándar de 3T. Las imágenes producidas por los nuevos modelos proporcionaron una visualización mejorada del tejido patológico en pacientes con LCT leve. Eligieron una región específica con lesiones de sustancia blanca y microhemorragias en áreas subcorticales para la comparación. El análisis reveló que el tejido patológico era más fácil de identificar en las imágenes 7T sintetizadas, como lo demuestra la separación más clara de las lesiones adyacentes y los contornos más nítidos de las microhemorragias subcorticales.

Además, las imágenes 7T sintetizadas capturaron una gama más amplia de características dentro de las lesiones de la sustancia blanca. Estos hallazgos también subrayan el potencial de esta tecnología para mejorar la precisión diagnóstica en enfermedades neurodegenerativas como la esclerosis múltiple. Aunque las técnicas de síntesis que utilizan marcos de aprendizaje automático demuestran un rendimiento impresionante, su implementación en entornos clínicos requerirá una validación exhaustiva. Los investigadores afirman que los esfuerzos futuros deben incluir evaluaciones clínicas integrales de los hallazgos del modelo, evaluaciones clínicas de las imágenes generadas por el modelo y cuantificación de las incertidumbres dentro del modelo.

“Nuestro estudio presenta un modelo de aprendizaje automático para sintetizar imágenes de resonancia magnética de alta calidad a partir de imágenes de menor calidad. Demostramos cómo este sistema de IA mejora la visualización e identificación de anomalías cerebrales captadas por imágenes de resonancia magnética en casos de traumatismo craneoencefálico”, dijo el autor principal del estudio, el Dr. Reza Abbasi-Asl, profesor adjunto de Neurología de la UCSF. “Nuestros hallazgos destacan el potencial de la IA y el aprendizaje automático para mejorar la calidad de las imágenes médicas obtenidas mediante sistemas de imagen menos avanzados”.

Enlaces relacionados:
UCSF Health

Visitar la expo >

Multi-Use Ultrasound Table

Clinton

Portable Color Doppler Ultrasound Scanner

DCU10

Digital Radiographic System

OMNERA 300M

New

Specimen Radiography System

Trident HD