Método con IA disminuye la exposición a la radiación debido a los exámenes de TC
Por el equipo editorial de MedImaging en español Actualizado el 17 Jul 2019 |
Imagen: La investigación muestra que el aprendizaje automático tiene el potencial de perfeccionar la imagenología médica, especialmente la tomografía computarizada, reduciendo la exposición a la radiación y mejorando la calidad de la imagen (Fotografía cortesía de Axis Imaging News).
Los ingenieros del Instituto Politécnico de Rensselaer (Troy, NY, EUA) trabajaron junto con los radiólogos del Hospital General de Massachusetts (Boston, MA, EUA) y la facultad de medicina de Harvard (Boston, MA, EUA), para demostrar que el aprendizaje automático tiene el potencial de perfeccionar enormemente la imagenología médica, en particular la tomografía computarizada (TC), reduciendo la exposición a la radiación y mejorando la calidad de las imágenes. El equipo cree que los nuevos hallazgos de su investigación son un caso sólido para aprovechar el poder de la inteligencia artificial (IA) para mejorar las tomografías computarizadas de baja dosis.
En los últimos años, ha habido un enfoque importante en las técnicas de tomografía computarizada de baja dosis para aliviar las preocupaciones sobre la exposición de los pacientes a la radiación de rayos X asociada al uso generalizado de las tomografías computarizadas. Sin embargo, reducir la radiación puede afectar la calidad de la imagen. Ingenieros de todo el mundo han intentado resolver este problema diseñando técnicas de reconstrucción iterativas para ayudar a detectar y eliminar las interferencias de las imágenes de TC. Sin embargo, el inconveniente es que estos algoritmos a veces eliminan información útil o alteran falsamente la imagen.
En la última investigación, el equipo intentó abordar este desafío persistente utilizando un marco de aprendizaje automático. Desarrollaron una red neuronal profunda dedicada y compararon sus mejores resultados con lo mejor de lo que tres de los principales escáneres de TC comerciales podrían producir con técnicas de reconstrucción iterativas. Los investigadores buscaban determinar cómo se utilizaba clínicamente el desempeño de su enfoque de aprendizaje profundo en comparación con los algoritmos iterativos representativos seleccionados. Descubrieron que los algoritmos de aprendizaje profundo desarrollados por el equipo de Rensselaer funcionaron tan bien como, o mejor que, las técnicas iterativas actuales en la mayoría de los casos.
Los investigadores también encontraron que su método de aprendizaje profundo era mucho más rápido y permitía a los radiólogos afinar las imágenes según los requisitos clínicos. Según los investigadores, los resultados positivos se obtuvieron sin acceso a los datos originales o sin procesar de todos los escáneres de tomografía computarizada, y es probable que un algoritmo de aprendizaje profundo más especializado se desempeñe aún mejor si se dispone de datos de tomografía computarizada originales. Creen que estos resultados confirman que el aprendizaje profundo podría ayudar a producir imágenes de TC más seguras y exactas, a la vez que se ejecuta más rápidamente que los algoritmos iterativos.
“La dosis de radiación ha sido un problema importante para los pacientes a quienes les realizan tomografías computarizadas. Nuestra técnica de aprendizaje automático es superior o, al menos, comparable a las técnicas iterativas utilizadas en este estudio para permitir la tomografía computarizada de baja radiación”, dijo Ge Wang, profesor de la cátedra Clark y Crossan de ingeniería biomédica en Rensselaer y un autor correspondiente en este artículo. “Es una conclusión de alto nivel que lleva un mensaje poderoso. Es hora de que el aprendizaje automático despegue rápidamente y, con suerte, se haga cargo”.
Enlace relacionado:
Instituto Politécnico de Rensselaer
Hospital General de Massachusetts
Facultad de Medicina de Harvard
En los últimos años, ha habido un enfoque importante en las técnicas de tomografía computarizada de baja dosis para aliviar las preocupaciones sobre la exposición de los pacientes a la radiación de rayos X asociada al uso generalizado de las tomografías computarizadas. Sin embargo, reducir la radiación puede afectar la calidad de la imagen. Ingenieros de todo el mundo han intentado resolver este problema diseñando técnicas de reconstrucción iterativas para ayudar a detectar y eliminar las interferencias de las imágenes de TC. Sin embargo, el inconveniente es que estos algoritmos a veces eliminan información útil o alteran falsamente la imagen.
En la última investigación, el equipo intentó abordar este desafío persistente utilizando un marco de aprendizaje automático. Desarrollaron una red neuronal profunda dedicada y compararon sus mejores resultados con lo mejor de lo que tres de los principales escáneres de TC comerciales podrían producir con técnicas de reconstrucción iterativas. Los investigadores buscaban determinar cómo se utilizaba clínicamente el desempeño de su enfoque de aprendizaje profundo en comparación con los algoritmos iterativos representativos seleccionados. Descubrieron que los algoritmos de aprendizaje profundo desarrollados por el equipo de Rensselaer funcionaron tan bien como, o mejor que, las técnicas iterativas actuales en la mayoría de los casos.
Los investigadores también encontraron que su método de aprendizaje profundo era mucho más rápido y permitía a los radiólogos afinar las imágenes según los requisitos clínicos. Según los investigadores, los resultados positivos se obtuvieron sin acceso a los datos originales o sin procesar de todos los escáneres de tomografía computarizada, y es probable que un algoritmo de aprendizaje profundo más especializado se desempeñe aún mejor si se dispone de datos de tomografía computarizada originales. Creen que estos resultados confirman que el aprendizaje profundo podría ayudar a producir imágenes de TC más seguras y exactas, a la vez que se ejecuta más rápidamente que los algoritmos iterativos.
“La dosis de radiación ha sido un problema importante para los pacientes a quienes les realizan tomografías computarizadas. Nuestra técnica de aprendizaje automático es superior o, al menos, comparable a las técnicas iterativas utilizadas en este estudio para permitir la tomografía computarizada de baja radiación”, dijo Ge Wang, profesor de la cátedra Clark y Crossan de ingeniería biomédica en Rensselaer y un autor correspondiente en este artículo. “Es una conclusión de alto nivel que lleva un mensaje poderoso. Es hora de que el aprendizaje automático despegue rápidamente y, con suerte, se haga cargo”.
Enlace relacionado:
Instituto Politécnico de Rensselaer
Hospital General de Massachusetts
Facultad de Medicina de Harvard
Últimas Industria noticias
- Samsung y Bracco firman nuevo acuerdo de tecnología de ultrasonido de diagnóstico
- IBA adquiere Radcal para ampliar oferta de garantía de calidad de imágenes médicas
- Sociedades internacionales sugieren consideraciones clave para herramientas IA para radiología
- Dispositivos de rayos X de Samsung funcionarán con soluciones de IA de Lunit para exámenes avanzados de tórax
- Canon Medical y Olympus colaboran en sistemas de ultrasonido endoscópico
- GE HealthCare adquiere empresa de análisis de imágenes por IA MIM Software
- Primeros criterios internacionales establecen las bases para mejorar diagnóstico por imágenes de tumores cerebrales
- RSNA revela los 10 estudios de radiología más citados de 2023
- Exposiciones técnicas RSNA 2023 ofrecerá innovaciones en IA, impresión 3D y más
- Según un estudio, productos de imágenes médicas por IA se quintuplicarán para 2035
- Exposiciones técnicas de RSNA 2023 destacan las últimas innovaciones en imágenes médicas
- Tecnologías impulsadas por IA ayudan a interpretar rediografías e imágenes de resonancias magnéticas para mejorar diagnóstico de enfermedades
- Hologic y Bayer se asocian para mejorar imágenes de mamografía
- Mercado mundial de arcos en C fijos y móviles impulsado por aumento de procedimientos quirúrgicos
- Mercado mundial de ultrasonido mejorado por contraste impulsado por demanda de detección temprana de enfermedades crónicas
- Uso de imágenes avanzadas aumenta en departamentos de emergencia