IA fusiona TC y RM para mejorar diagnóstico clínico

Por otro lado, la resonancia magnética nuclear (RMN) utiliza potentes campos magnéticos y ondas de radio para generar imágenes precisas de tejidos blandos como órganos o tejidos dañados. La combinación de estas dos técnicas podría ofrecer a los profesionales de la salud una visión más holística de la anatomía de un paciente, descubriendo aspectos ocultos de sus problemas de salud. Ahora, una nueva investigación ha demostrado cómo se puede utilizar la inteligencia artificial (IA) para combinar imágenes de tomografías computarizadas y resonancias magnéticas clínicas.

El nuevo método, conocido como Dual-Branch Generative Adversarial Network (Red adversaria generativa de doble rama, DBGAN), ha sido desarrollado por investigadores de la Universidad Queen Mary de Londres (Londres, Reino Unido) y la Universidad Tecnológica Shandong (Zibo, China) y tiene el potencial de permitir una interpretación más clara clínicamente más valiosa de las tomografías computarizadas y las resonancias magnéticas. Esta técnica fusiona de manera efectiva las estructuras óseas rígidas de la tomografía computarizada con las imágenes detalladas de los tejidos blandos de la resonancia magnética. Este desarrollo podría mejorar el diagnóstico clínico y la atención del paciente para una cantidad de condiciones en las que dichas imágenes se usan comúnmente pero presentan limitaciones cuando se usan por separado.

DBGAN es un enfoque avanzado de IA basado en algoritmos de aprendizaje profundo, que presenta una estructura de doble rama con múltiples generadores y discriminadores. Los generadores producen imágenes fusionadas que combinan las características clave e información adicional de las tomografías computarizadas y las resonancias magnéticas. Los discriminadores evalúan la calidad de las imágenes generadas comparándolas con imágenes reales y filtrando las de menor calidad hasta lograr una fusión de alta calidad. Esta interacción adversa generativa entre generadores y discriminadores permite la fusión eficiente y realista de imágenes de TC y RM, minimizando los artefactos y maximizando la información visual.

La naturaleza dual de DBGAN incluye un módulo de extracción multiescala (MEM) que se enfoca en extraer características clave e información detallada de las tomografías computarizadas y resonancias magnéticas y un módulo de autoatención (SAM) que destaca las características más relevantes y únicas en las imágenes fusionadas. Las pruebas exhaustivas del método DBGAN han demostrado que su rendimiento es superior en comparación con las técnicas existentes en términos de calidad de imagen y precisión diagnóstica. Dado que las tomografías computarizadas y las resonancias magnéticas tienen sus propias fortalezas y debilidades, la aplicación de la IA puede ayudar a los radiógrafos a combinar sinérgicamente ambos tipos de imágenes, maximizando sus fortalezas y eliminando sus debilidades.

Enlaces relacionados:
Universidad Queen Mary de Londres  
Universidad de Tecnología de Shandong