Un nuevo estudio muestra el uso de machine learning para sintetizar resonancias magnéticas de alta calidad a partir de imágenes de menor calidad.
Investigadores de la Universidad de California, San Francisco (UCSF), desarrollaron un algoritmo de machine learning para mejorar imágenes por resonancia magnética (IRM) mediante imágenes de mayor calidad. En los últimos años, la comunidad científica ha presentado avances significativos sobre el uso de inteligencia artificial y la mejora de datos en IRM.
Las resonancias magnéticas más avanzadas utilizan una intensidad de campo ultra alto de 7 Tesla (7T), siendo tesla la unidad que mide la intensidad del campo magnético, ofrecen una resolución mucho mayor que la de las resonancias magnéticas convencionales de 3T. Esta tecnología puede proporcionar imágenes más detalladas, lo que es particularmente útil en el cerebro, ya que permite ver con más precisión las estructuras anatómicas.
La alta resolución de la resonancia magnética de 7T es especialmente útil en contextos clínicos donde se necesita observar detalladamente el tejido patológico (tejido afectado por alguna enfermedad). Por ejemplo, en el diagnóstico y monitoreo de condiciones cerebrales como tumores, enfermedades neurodegenerativas o lesiones, la capacidad de la 7T para mostrar detalles más finos puede ayudar a los médicos a identificar problemas de forma más precisa y a realizar un seguimiento más efectivo de la evolución de la patología.
Sin embargo, la mayoría de los exámenes de IRM son realizados con sistemas de 1-5T o 3T y solamente 100 máquinas de IRM con 7T se utilizan en todo el mundo. Por ello, los científicos de UCSF, desarrollaron este modelo de machine learning que mejora las IRM realizadas con 3T, al sintetizar imágenes similares a las de 7T. El modelo mejora el tejido patrológico con mayor fidelidad para perspectivas clínicas.
“Nuestro trabajo introduce un modelo de machine learning para sintetizar IRM de alta calidad a partir de imágenes de calidad inferior. Demostramos cómo este sistema de IA mejora la visualización y la identificación de anomalías cerebrales captadas por resonancias magnéticas en lesiones cerebrales traumáticas”, expresó dijo el autor principal de la investigación, el Dr. Reza Abbasi-Asl, profesor asistente de neurología de la UCSF. Es decir, este avance destaca el uso de IA y el machine learning para mejorar la calidad de imágenes médicas capturadas por sistemas menos avanzados.
Para entrenar este modelo, los científicos recolectaron datos de imágenes de pacientes diagnosticados con traumatismo craneoencefálico leve (TCE) y a través de tres modelos de redes neuronales realizaron la mejora de las imágenes y la segmentación de imágenes en 3D. Las imágenes generadas con el modelo mostraron tejidos patológicos mejorados para pacientes con TCE.
Además, las imágenes sintetizadas capturaron mejor diversas características relacionadas con las lesiones. Esta investigación muestra la importancia de utilizar esta clase de tecnologías para mejorar la precisión diagnóstica en desordenes neurodegenerativos. Los investigadores creen que los próximos trabajos deberían incluir evaluaciones clínicas de los resultados del modelo, la calificación clínica de las imágenes generadas por el modelo y la cuantificación de las imprecisiones del modelo.
