Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

IA ayuda a optimizar la dosis de radiación de rayos X en tomografía computarizada

Por el equipo editorial de MedImaging en español
Actualizado el 16 Mar 2023

La tomografía computarizada (TC) es una herramienta de diagnóstico muy eficaz y extensa utilizada por la medicina moderna. Desafortunadamente, existe una preocupación creciente con respecto a la cantidad cada vez mayor de pacientes que se someten a tomografías computarizadas y la cantidad considerable de radiación de rayos X a la que están expuestos. El principio ALARA, comúnmente conocido como "tan bajo como sea razonablemente posible", implica que un paciente debe recibir el beneficio de diagnóstico más significativo con una exposición mínima a la radiación. En términos prácticos, este principio requiere una solución intermedia, ya que la disminución del nivel de radiación administrada generalmente da como resultado una calidad de imagen de TC más pobre. En consecuencia, los profesionales médicos deben lograr un equilibrio entre obtener alta calidad de imágenes de TC y minimizar la exposición del paciente a los rayos X para reducir el riesgo de un diagnóstico erróneo.

Para lograr un equilibrio entre la calidad de la imagen y la exposición a la radiación durante las TC, los profesionales de la salud, incluidos los radiólogos, pueden emplear una estrategia de optimización. Primero, observan imágenes reales generadas por el tomógrafo para identificar anomalías como tumores o tejido inusual. Luego se utilizan métodos estadísticos para calcular la dosis de radiación óptima y la configuración del tomógrafo. Este procedimiento se puede generalizar mediante la adopción de imágenes de TC de referencia obtenidas al escanear fantasmas especialmente diseñados que contienen insertos de diferentes tamaños y contrastes, que representan anomalías estandarizadas. Sin embargo, el análisis manual de imágenes requiere mucho tiempo. Para abordar este problema, un equipo de investigadores de la Universidad de Florencia (Florencia, Italia), en colaboración con radiólogos y físicos médicos, examinó si este proceso podría automatizarse mediante el uso de inteligencia artificial (IA). El equipo creó y entrenó un algoritmo, un "observador modelo", basado en redes neuronales convolucionales (CNN), que podría analizar las anomalías estandarizadas en las imágenes de TC con la misma eficiencia que un profesional.


Imagen: Investigadores de Italia han desarrollado y entrenado modelos basados ​​en la red neuronal para analizar las imágenes de TC (Fotografía cortesía de la Universidad de Florencia)
Imagen: Investigadores de Italia han desarrollado y entrenado modelos basados ​​en la red neuronal para analizar las imágenes de TC (Fotografía cortesía de la Universidad de Florencia)

El equipo necesitaba suficientes datos de entrenamiento y de prueba para su modelo, para lo cual 30 profesionales de la salud examinaron visualmente 1.000 imágenes de TC en un fantasma que imitaba el tejido humano. El fantasma contenía insertos cilíndricos de diferentes diámetros y contrastes, y los observadores tenían que identificar si un objeto estaba presente en la imagen e indicar el nivel de confianza en su evaluación. Esto generó un conjunto de datos de 30.000 imágenes de TC etiquetadas capturadas mediante varias configuraciones de reconstrucción tomográfica, que reflejan con precisión la interpretación humana. Luego, el equipo implementó dos modelos de IA basados en diferentes arquitecturas, UNet y MobileNetV2, y modificó el diseño base de estas arquitecturas para permitirles realizar tanto la clasificación ("¿Hay un objeto inusual en la imagen de TC?") como la localización ("¿Dónde está el objeto inusual?"). Luego, los modelos se entrenaron y probaron utilizando imágenes del conjunto de datos.

El equipo de investigación realizó análisis estadísticos para evaluar varias métricas de desempeño para garantizar que los observadores del modelo emularan con precisión cómo un humano evaluaría las imágenes de TC del fantasma. Los investigadores son optimistas de que, con más esfuerzos, su modelo puede convertirse en un mecanismo viable para la evaluación automatizada de la calidad de la imagen de la TC. Confían en que la aplicación de sus observadores de modelo de IA a mayor escala permitirá evaluaciones de TC más rápidas y seguras que nunca.

“Nuestros resultados fueron muy prometedores, ya que ambos modelos entrenados funcionaron notablemente bien y lograron un porcentaje de error absoluto de menos del 5 %”, dijo la Dra. Sandra Doria, del Departamento de Física de la Universidad de Florencia, quien dirigió el equipo de investigación. "Esto indicó que los modelos podían identificar el objeto insertado en el fantasma con una precisión y confianza similares a las de un profesional humano, para casi todas las configuraciones de reconstrucción y tamaños y contrastes de anomalías".

Enlaces relacionados:
Universidad de Florencia  


Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
New
Endoscopic Ultrasound Fine Needle Biopsy Device
Acquire
DR Flat Panel Detector
1500L
New
Ultrasound System
P20 Elite

Últimas Imaginología General noticias

Nuevo método de IA captura la incertidumbre en imágenes médicas

La angiografía coronaria por TC reduce la necesidad de pruebas invasivas para diagnosticar la enfermedad de las arterias coronarias

Nuevo análisis de sangre podría reducir la necesidad de imágenes PET en pacientes con Alzheimer