Avances en aprendizaje profundo mejoran imágenes de ultrasonido de super-resolución

La microscopía de localización por ultrasonido (ULM) es una técnica de imagen avanzada que ofrece visualización de alta resolución de estructuras microvasculares. Emplea microburbujas, agentes de contraste aprobados por la FDA, que se inyectan en el torrente sanguíneo. Estas microburbujas, de apenas unas micras de tamaño, se rastrean mediante ondas de ultrasonido que penetran en los tejidos profundos, revelando el flujo de sangre y proporcionando imágenes detalladas del sistema microvascular. A pesar de su potencial, la aplicación de ULM en el diagnóstico clínico se ha visto limitada por su velocidad de obtención de imágenes. Acelerar el proceso de obtención de imágenes suele requerir mayores concentraciones de microburbujas, lo que complica el posprocesamiento de los datos. Los investigadores han introducido ahora un enfoque novedoso para mejorar la practicidad de ULM para uso clínico mediante la integración de técnicas computacionales avanzadas en el proceso de posprocesamiento.

Desarrollada por investigadores de la Universidad de Illinois Urbana-Champaign (Urbana, IL, EUA), esta nueva técnica, denominada Localización con microscopía de localización por ultrasonido con conocimiento del contexto (LOCA-ULM), aprovecha el aprendizaje profundo para mejorar los pasos de posprocesamiento en ULM. El equipo ha desarrollado un modelo de simulación utilizando una red generativa adversaria (RGA) para producir señales de microburbujas realistas. Estas señales se utilizan para entrenar una red neuronal profunda consciente del contexto llamada DECODE, diseñada para localizar microburbujas de manera más rápida, precisa y eficiente.

Imagen: La imagen de ultrasonido de una región del cerebro que muestra una fuerte actividad de microburbulentas a partir de una prueba de estimulación nerviosa (foto cortesía de la Universidad de Illinois Urbana-Champaign)

El método innovador no solo mejora el rendimiento de las imágenes y la velocidad de procesamiento, sino que también aumenta la sensibilidad del ULM funcional al tiempo que ofrece imágenes in vivo superiores. Además, la técnica mejora el rendimiento computacional y de localización de microburbujas y es adaptable a diferentes concentraciones de microburbujas, lo que marca un avance significativo en el campo de las imágenes médicas.

“Estoy muy emocionado de hacer que ULM sea más rápido y mejor para que más personas puedan utilizar esta tecnología. Creo que las herramientas de imágenes computacionales basadas en el aprendizaje profundo seguirán desempeñando un papel importante a la hora de superar los límites de resolución espacial y temporal de ULM”, afirmó YiRang Shin, estudiante de posgrado de la Universidad de Illinois Urbana-Champaign.

Enlaces relacionados:
Universidad de Illinois Urbana-Champaign