Nueva técnica mejora calidad de imágenes médicas

Para desarrollar AUTOMAP, los investigadores aprovecharon los muchos avances realizados en los modelos de redes neuronales utilizados para la IA.

La mejora en las unidades de procesamiento gráfico (GPU) que impulsan las operaciones también contribuyó a la capacitación de algoritmos de reconstrucción de imágenes como AUTOMAP, ya que requieren una gran cantidad de cálculos, especialmente durante la fase de entrenamiento. Otro factor fue la disponibilidad de grandes conjuntos de datos, conocidos como “big data”, que son necesarios para capacitar a los grandes modelos de redes neuronales. El resultado global es una inmunidad superior al ruido y una reducción en los artefactos de reconstrucción, en comparación con los métodos de reconstrucción artesanales convencionales.

AUTOMAP también ofrece una serie de beneficios potenciales para la atención clínica, incluso más allá de producir imágenes de alta calidad en menos tiempo con imágenes de resonancia magnética (RM) o con dosis más bajas de rayos X, tomografía computarizada (TC) y tomografía por emisión de positrones (TEP). Debido a su velocidad de procesamiento, la técnica podría ayudar a tomar decisiones en tiempo real sobre los protocolos de imágenes mientras el paciente todavía está dentro del escáner. Según los investigadores, la técnica AUTOMAP no hubiera sido posible hace cinco años, o tal vez incluso hace un año. El estudio fue publicado el 21 de marzo de 2018 en la revista Nature.

“El método convencional para la reconstrucción de imágenes utiliza una cadena de módulos de procesamiento de señales hechos a mano que requieren un ajuste de parámetros manual experto y a menudo no son capaces de manejar las imperfecciones de los datos en bruto, como el ruido”, dijo el autor principal, Bo Zhu, PhD, del Centro para Imagenología Biomédica Martinos del MGH. “Con AUTOMAP, hemos enseñado a los sistemas de imágenes para ‘ver’ la forma en que los humanos aprenden a ver después del nacimiento, no a través de programación directa del cerebro sino promoviendo conexiones neuronales para adaptarse orgánicamente a través de entrenamiento repetido en ejemplos del mundo real”.

“Dado que AUTOMAP se implementa como una red neuronal de alimentación positiva, la velocidad de reconstrucción de la imagen es casi instantánea, solo decenas de milisegundos”, dijo el autor principal Matt Rosen, PhD, del centro de aprendizaje automático en el MGH Martinos. “Nuestro método de IA muestra mejoras notables en la precisión y reducción de ruido y, por lo tanto, puede avanzar en una amplia gama de aplicaciones. Estamos increíblemente emocionados de tener la oportunidad de implementar esto en el espacio clínico donde AUTOMAP puede trabajar junto con computadoras económicas aceleradas por GPU para mejorar las imágenes clínicas y los resultados”.

El aprendizaje profundo es parte de una familia más amplia de métodos de inteligencia artificial basados en representaciones de datos de aprendizaje, a diferencia de los algoritmos específicos de tareas. Incluye algoritmos de red neuronal artificial (RNA) que utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, con cada capa sucesiva utilizando el resultado de la capa anterior como entrada para formar una representación jerárquica.