Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que puede corregir resonancias magnéticas cerebrales dañadas por movimiento voluntarios o involuntarios de los pacientes.
Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que podría solucionar uno de los problemas más comunes en las imágenes por resonancia magnética (IRM), que son los daños por artefactos de movimiento, que pueden llevar a malos diagnósticos. Los artefactos de movimiento suceden cuando un paciente realiza un movimiento voluntario o involuntario durante el proceso de escaneo en una resonancia magnética. Los artefactos provocan borrosidad, rayas o sobras en las imágenes obtenidas por resonancia o por tomografías.
Las sesiones de IRM pueden demorar desde unos minutos hasta una hora, dependiendo de las imágenes buscadas, sin embargo, durante los escaneos, incluso los movimientos más ligeros pueden tener efectos negativos en los resultados de la imagen.
Los investigadores del MIT presentaron un estudio que aborda el problema de los artefactos de movimiento IRM, que como se mencionó anteriormente pueden llevar a diagnósticos erróneos o malas caracterizaciones en estudios de imágenes. El estudio utiliza una red profunda basada en aprendizaje profundo para reducir la búsqueda conjunta de parámetros de imagen y movimiento a una búsqueda solo de parámetros de movimiento rígido.
Este modelo elabora una reconstrucción en función de dos entradas: datos de espacio k (información no basada en imágenes) corruptos y parámetros de movimiento. La red se entrena con datos de espacio k simulados y corrompidos por el movimiento generados a partir de parámetros de movimiento conocidos.
Este modelo logra estimar los parámetros de movimiento desconocidos al minimizar una pérdida de consistencia de datos entre los parámetros de movimiento, la reconstrucción de la imagen basada en la red con esos parámetros y las mediciones adquiridas. Es decir, este modelo de inteligencia artificial (IA), que fue entrenado con una gran cantidad de imágenes simuladas que tenían problemas de movimiento. Posteriormente cuando el modelo evaluó y analizó las imágenes reales pudo corregir los errores de movimiento automáticamente.
El método utilizado construye computacionalmente las imágenes sin movimiento a partir de datos dañados por el movimiento siguiendo el mismo procedimiento en el escaneo. Esto facilitaría la realización de IRM a pacientes con trastornos neurológicos que causan movimientos involuntarios como Alzheimer o Parkinson. Además, reduciría costos en los diagnósticos.
Consulta la investigación completa en el siguiente enlace:
