Investigadores combinan técnicas de ciencia de datos y aprendizaje automático para mejorar la reconstrucción de imágenes de resonancia magnética tradicional

Científicos e ingenieros de la Universidad de Minnesota Twin Cities han encontrado una manera de mejorar el rendimiento de las técnicas tradicionales de reconstrucción de Imágenes por Resonancia Magnética (IRM), lo que permite resonancias magnéticas más rápidas para mejorar la atención médica, artículo que se publica en la revista Proceedings of the National Academy of Sciences

«Las resonancias magnéticas toman mucho tiempo porque adquieres los datos de manera secuencial. Tienes que llenar el espacio de frecuencia de tu imagen de manera sucesiva», explicó Mehmet Akcakaya, profesor asociado del Departamento de Ingeniería Eléctrica e Informática de la Universidad de Minnesota y autor principal del artículo.

«Queremos hacer que las resonancias magnéticas sean más rápidas para que los pacientes estén allí por menos tiempo y para que podamos aumentar la eficiencia en el sistema de atención de la salud. Este documento explora una forma de hacer esto mientras nos aseguramos de que mantenemos un buen desempeño», señaló el investigador.

Durante la última década más o menos, los científicos han estado haciendo resonancias magnéticas más rápidas utilizando una técnica llamada detección comprimida, que utiliza la idea de que las imágenes se pueden comprimir en tamaños más pequeños, similar a comprimir un archivo .jpeg en una computadora.

Más recientemente, los investigadores han estado analizando el uso del aprendizaje profundo, un tipo de aprendizaje automático, para acelerar la reconstrucción de imágenes de resonancia magnética. En lugar de capturar todas las frecuencias durante el procedimiento de resonancia magnética, este proceso omite las frecuencias y utiliza un algoritmo de aprendizaje automático entrenado para predecir los resultados y llenar esos vacíos.

Muchos estudios han demostrado que el aprendizaje profundo es mejor que la detección comprimida tradicional por un amplio margen. Sin embargo, existen algunas preocupaciones con el uso del aprendizaje profundo; por ejemplo, tener datos de entrenamiento insuficientes podría crear un sesgo en el algoritmo que podría hacer que malinterprete los resultados de la resonancia magnética.

Usando una combinación de herramientas modernas de ciencia de datos e ideas de aprendizaje automático, los investigadores de la Universidad de Minnesota Twin Cities han encontrado una manera de ajustar el método de compresión tradicional para que sea casi de tan de alta calidad como el aprendizaje profundo.

Akcakaya dijo que este hallazgo proporciona una nueva dirección de investigación para el campo de la reconstrucción por resonancia magnética.

«Lo que estamos diciendo es que hay mucha expectación en torno al aprendizaje profundo en las resonancias magnéticas, pero tal vez esa brecha entre los métodos nuevos y tradicionales no es tan grande como se informó anteriormente», afirmó.

Según el autor, “tal vez deberíamos volver atrás y observar los métodos clásicos y ver si podemos obtener mejores resultados. Hay muchas investigaciones excelentes en torno al aprendizaje profundo, pero estamos tratando de mirar a ambos lados de la imagen para ver dónde podemos encontrar el mejor rendimiento, las garantías teóricas y la estabilidad».

Compartir este artículo

Artículos relacionados