{"id":40549,"date":"2023-08-29T09:25:09","date_gmt":"2023-08-29T15:25:09","guid":{"rendered":"https:\/\/saluddigital.com\/?p=40549"},"modified":"2025-10-19T00:46:54","modified_gmt":"2025-10-19T06:46:54","slug":"mit-desarrolla-aprendizaje-profundo-que-corrige-resonancias-magneticas-cerebrales","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/mit-desarrolla-aprendizaje-profundo-que-corrige-resonancias-magneticas-cerebrales\/","title":{"rendered":"MIT desarrolla aprendizaje profundo que corrige resonancias magn\u00e9ticas cerebrales"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que puede corregir resonancias magn\u00e9ticas cerebrales da\u00f1adas por movimiento voluntarios o involuntarios de los pacientes.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que podr\u00eda solucionar uno de los problemas m\u00e1s comunes en las im\u00e1genes por resonancia magn\u00e9tica (IRM), que son los da\u00f1os por artefactos de movimiento, que pueden llevar a malos diagn\u00f3sticos. Los artefactos de movimiento suceden cuando un paciente realiza un movimiento voluntario o involuntario durante el proceso de escaneo en una resonancia magn\u00e9tica. Los artefactos provocan borrosidad, rayas o sobras en las im\u00e1genes obtenidas por resonancia o por tomograf\u00edas.<\/p>

Las sesiones de IRM pueden demorar desde unos minutos hasta una hora, dependiendo de las im\u00e1genes buscadas, sin embargo, durante los escaneos, incluso los movimientos m\u00e1s ligeros pueden tener efectos negativos en los resultados de la imagen.<\/p>

Los investigadores del MIT presentaron un estudio que aborda el problema de los artefactos de movimiento IRM, que como se mencion\u00f3 anteriormente pueden llevar a diagn\u00f3sticos err\u00f3neos o malas caracterizaciones en estudios de im\u00e1genes. El estudio utiliza una red profunda basada en aprendizaje profundo para reducir la b\u00fasqueda conjunta de par\u00e1metros de imagen y movimiento a una b\u00fasqueda solo de par\u00e1metros de movimiento r\u00edgido.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este modelo elabora una reconstrucci\u00f3n en funci\u00f3n de dos entradas: datos de espacio k (informaci\u00f3n no basada en im\u00e1genes) corruptos y par\u00e1metros de movimiento. La red se entrena con datos de espacio k simulados y corrompidos por el movimiento generados a partir de par\u00e1metros de movimiento conocidos.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este modelo logra estimar los par\u00e1metros de movimiento desconocidos al minimizar una p\u00e9rdida de consistencia de datos entre los par\u00e1metros de movimiento, la reconstrucci\u00f3n de la imagen basada en la red con esos par\u00e1metros y las mediciones adquiridas. Es decir, este modelo de inteligencia artificial (IA), que fue entrenado con una gran cantidad de im\u00e1genes simuladas que ten\u00edan problemas de movimiento.\u00a0 Posteriormente cuando el modelo evalu\u00f3 y analiz\u00f3 las im\u00e1genes reales pudo corregir los errores de movimiento autom\u00e1ticamente.<\/p>

El m\u00e9todo utilizado construye computacionalmente las im\u00e1genes sin movimiento a partir de datos da\u00f1ados por el movimiento siguiendo el mismo procedimiento en el escaneo. Esto facilitar\u00eda la realizaci\u00f3n de IRM a pacientes con trastornos neurol\u00f3gicos que causan movimientos involuntarios como Alzheimer o Parkinson. Adem\u00e1s, reducir\u00eda costos en los diagn\u00f3sticos.<\/p>

Consulta la investigaci\u00f3n completa en el siguiente enlace:<\/p>

https:\/\/arxiv.org\/pdf\/2301.10365.pdf<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

https:\/\/healthitanalytics.com\/news\/deep-learning-method-helps-correct-motion-corrupted-brain-mris<\/a><\/p>

ARXIV<\/strong><\/p>

https:\/\/arxiv.org\/abs\/2301.10365<\/a><\/p>

MIT<\/strong><\/p>

https:\/\/news.mit.edu\/2023\/mit-researchers-combine-deep-learning-physics-fix-motion-corrupted-MRI-scans-0817<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que puede corregir resonancias magn\u00e9ticas cerebrales da\u00f1adas por movimiento voluntarios o involuntarios de los pacientes. Investigadores del MIT desarrollaron un modelo de aprendizaje profundo que podr\u00eda solucionar uno de los problemas m\u00e1s comunes en las im\u00e1genes por resonancia magn\u00e9tica (IRM), que son los da\u00f1os por artefactos de movimiento, que pueden llevar a malos diagn\u00f3sticos. Los artefactos de movimiento suceden cuando un paciente realiza un movimiento voluntario o involuntario durante el proceso de escaneo en una resonancia magn\u00e9tica. Los artefactos provocan borrosidad, rayas o sobras en las im\u00e1genes obtenidas por resonancia o por tomograf\u00edas. Las sesiones de IRM pueden demorar desde unos minutos hasta una hora, dependiendo de las im\u00e1genes buscadas, sin embargo, durante los escaneos, incluso los movimientos m\u00e1s 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 mencion\u00f3 anteriormente pueden llevar a diagn\u00f3sticos err\u00f3neos o malas caracterizaciones en estudios de im\u00e1genes. El estudio utiliza una red profunda basada en aprendizaje profundo para reducir la b\u00fasqueda conjunta de par\u00e1metros de imagen y movimiento a una b\u00fasqueda solo de par\u00e1metros de movimiento r\u00edgido. Este modelo elabora una reconstrucci\u00f3n en funci\u00f3n de dos entradas: datos de espacio k (informaci\u00f3n no basada en im\u00e1genes) corruptos y par\u00e1metros de movimiento. La red se entrena con datos de espacio k simulados y corrompidos por el movimiento generados a partir de par\u00e1metros de movimiento conocidos. Este modelo logra estimar los par\u00e1metros de movimiento desconocidos al minimizar una p\u00e9rdida de consistencia de datos entre los par\u00e1metros de movimiento, la reconstrucci\u00f3n de la imagen basada en la red con esos par\u00e1metros y las mediciones adquiridas. Es decir, este modelo de inteligencia artificial (IA), que fue entrenado con una gran cantidad de im\u00e1genes simuladas que ten\u00edan problemas de movimiento.  Posteriormente cuando el modelo evalu\u00f3 y analiz\u00f3 las im\u00e1genes reales pudo corregir los errores de movimiento autom\u00e1ticamente. El m\u00e9todo utilizado construye computacionalmente las im\u00e1genes sin movimiento a partir de datos da\u00f1ados por el movimiento siguiendo el mismo procedimiento en el escaneo. Esto facilitar\u00eda la realizaci\u00f3n de IRM a pacientes con trastornos neurol\u00f3gicos que causan movimientos involuntarios como Alzheimer o Parkinson. Adem\u00e1s, reducir\u00eda costos en los diagn\u00f3sticos. Consulta la investigaci\u00f3n completa en el siguiente enlace: https:\/\/arxiv.org\/pdf\/2301.10365.pdf BIBLIOGRAF\u00cdA https:\/\/healthitanalytics.com\/news\/deep-learning-method-helps-correct-motion-corrupted-brain-mris ARXIV https:\/\/arxiv.org\/abs\/2301.10365 MIT https:\/\/news.mit.edu\/2023\/mit-researchers-combine-deep-learning-physics-fix-motion-corrupted-MRI-scans-0817<\/p>","protected":false},"author":1,"featured_media":40551,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-40549","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40549","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=40549"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40549\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/40551"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=40549"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=40549"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=40549"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}