Nuevo algoritmo permite reconstrucción en tiempo real de imágenes que combinan datos ópticos y de RM para mejorar detección de cáncer de mama
Actualizado el 04 Mar 2022
Los investigadores han desarrollado un nuevo enfoque de reconstrucción de imágenes que podría contribuir a una mejor detección del cáncer de mama.
El algoritmo de aprendizaje profundo desarrollado por un equipo de investigación de Dartmouth College (Hanover, NH, EUA) supera un obstáculo importante en la generación de imágenes multimodal al permitir que las imágenes se recuperen en tiempo real. El nuevo algoritmo, conocido como Z-Net, funciona con una plataforma de imágenes que combina información espectral óptica con imágenes de resonancia magnética (IRM) sin contraste para mejorar la detección del cáncer de mama. El nuevo algoritmo puede distinguir entre tumores malignos y benignos utilizando datos de imágenes de tomografía espectral de infrarrojo cercano (NIRST) guiadas por resonancia magnética de exámenes de mama de pacientes.
Hoy en día, la resonancia magnética mejorada con contraste dinámico (DCE) se reconoce como el método de detección de cáncer de mama más sensible. Sin embargo, la resonancia magnética DCE requiere la inyección intravenosa de un agente de contraste y tiene una tasa sustancial de falsos positivos. Aunque la NIRST guiada por resonancia magnética sin contraste ofrece una alternativa que no requiere inyección de contraste ni radiación ionizante, la reconstrucción de las imágenes combinadas requiere modelos complicados de propagación de la luz, así como un análisis de imágenes de resonancia magnética que requiere mucho tiempo. Los investigadores utilizaron el aprendizaje profundo para acelerar el proceso de reconstrucción de imágenes. El aprendizaje profundo es un enfoque de aprendizaje automático que crea conexiones entre piezas de información de una manera similar a como funciona el cerebro humano, lo que permite a los investigadores entrenar su algoritmo para reconocer patrones y relaciones complejas.
Después de entrenar el algoritmo, los investigadores utilizaron datos simulados para confirmar que la calidad de las imágenes reconstruidas no se degradó al eliminar el modelo de propagación de luz difusa o al no segmentar las imágenes de resonancia magnética. Luego aplicaron el nuevo algoritmo de forma prospectiva a los datos NIRST guiados por resonancia magnética recopilados de dos exámenes de imágenes mamarias, uno que condujo a un diagnóstico de cáncer confirmado por biopsia, el otro resultó en una anomalía benigna. El nuevo algoritmo generó imágenes que podían diferenciar entre los casos malignos y benignos. Los investigadores ahora están trabajando para adaptar el nuevo método de reconstrucción de imágenes para trabajar con datos 3D y planean probarlo en un ensayo clínico más grande en un futuro cercano.
“La tomografía espectral de infrarrojo cercano (NIRST, por sus siglas en inglés) y la plataforma de imágenes por resonancia magnética que desarrollamos se han mostrado prometedoras, pero el tiempo y el esfuerzo involucrados en la reconstrucción de imágenes han impedido que se traduzca en el flujo de trabajo clínico diario”, dijo Keith Paulsen, quien dirigió el equipo de investigación. “Por lo tanto, diseñamos un algoritmo de aprendizaje profundo que incorpora datos de imágenes anatómicas de MRI para guiar la formación de imágenes NIRST sin requerir un modelo complejo de propagación de la luz en el tejido”.
“Z-Net podría permitir que NIRST se convierta en un complemento eficiente y efectivo para la resonancia magnética sin contraste para la detección y el diagnóstico del cáncer de mama porque permite recuperar imágenes NIRST guiadas por resonancia magnética casi en tiempo real”, agregó Paulsen. "También se puede adaptar fácilmente para su uso con otros tipos de cáncer y enfermedades para los que se dispone de datos de imágenes multimodales".
“El algoritmo Z-Net reduce el tiempo necesario para generar una nueva imagen a unos pocos segundos”, dijo Jinchao Feng, autor principal del estudio. “Además, la red de aprendizaje automático que desarrollamos se puede entrenar con datos generados por simulaciones por computadora en lugar de necesitar imágenes de exámenes de pacientes reales, que tardan mucho tiempo en recopilarse y procesarse en información de entrenamiento”.
Enlaces relacionados:
Dartmouth College
