Herramienta de IA permite tomografía óptica difusa en tiempo real para detectar lesiones cerebrales

La tomografía óptica difusa es una técnica de imagen no invasiva que utiliza luz infrarroja cercana para detectar anomalías internas como hemorragias cerebrales y tumores. Su utilidad clínica para la toma de decisiones en tiempo real se ha visto limitada por la necesidad de resolver ecuaciones de transporte de luz computacionalmente costosas durante la reconstrucción de la imagen. Estas simulaciones pueden tardar horas, lo que impide su uso en tiempo real. Para abordar este problema, los investigadores han desarrollado un modelo de inteligencia artificial que acelera las predicciones necesarias en más de un millón de veces, lo que permite el diagnóstico en tiempo real.

Investigadores de la Universidad de Tsukuba (Tsukuba, Ibaraki, Japón) desarrollaron un modelo de red neuronal para la tomografía óptica difusa  (DOT) en el dominio del tiempo. El modelo emula la propagación de la luz en el tejido biológico mediante el aprendizaje a partir de grandes conjuntos de simulaciones basadas en la física. Genera las predicciones necesarias para la reconstrucción de imágenes sin resolver la ecuación de transferencia radiativa.

En la DOT, el tejido se ilumina con luz infrarroja cercana y los detectores registran señales temporales que reflejan la presencia de anomalías internas sin exposición a la radiación. Para lograr una alta precisión diagnóstica, es necesario modelar el transporte de fotones, pero los algoritmos numéricos convencionales pueden requerir horas por caso. El nuevo modelo predice las señales temporales del detector directamente a partir de parámetros que describen la ubicación y el tamaño de la región anómala, eliminando así el cuello de botella computacional.

Cada inferencia se completa en aproximadamente 2 milisegundos, lo que representa una aceleración de más de un millón de veces con respecto a las simulaciones estándar. El método se generalizó a combinaciones de parámetros no vistas y reprodujo señales con una precisión limitada únicamente por el ruido presente en los datos de entrenamiento. Esta aceleración permite explorar de manera eficiente grandes espacios de parámetros durante el análisis de diagnóstico.

Al combinarse con técnicas de muestreo estadístico, el modelo estimó con precisión la ubicación y el tamaño de las regiones anómalas a partir de las señales ópticas medidas. Los investigadores resaltan su potencial como herramienta fundamental para la detección en tiempo real de hemorragias cerebrales y tumores. El trabajo fue publicado en Biomedical Engineering Letters.

Enlaces relacionados
Universidad de Tsukuba