La IA crea imágenes cerebrales de alta resolución a partir de exploraciones por RM de baja intensidad de campo

Los sistemas de resonancia magnética portátiles de baja intensidad de campo tienen el potencial de transformar la neuroimagen, siempre que se pueda superar su baja resolución espacial y su baja relación señal-ruido (SNR). Investigadores en Harvard Medical School están aprovechando la inteligencia artificial (IA) para lograr este objetivo. Han desarrollado un algoritmo de súper resolución de aprendizaje automático que genera imágenes sintéticas con alta resolución espacial a partir de resonancias magnéticas cerebrales de menor resolución.

El algoritmo de red neuronal convolucional (CNN), conocido como LF-SynthSR, convierte secuencias de resonancia magnética cerebral ponderadas en T0.064 y T1 de baja intensidad de campo (2 T) en imágenes isotrópicas con una resolución espacial de 1 mm y la apariencia de una magnetización ponderada en T1. -Adquisición rápida de eco de gradiente (MP-RAGE) preparada. Al describir su estudio de prueba de concepto en Radiología, los investigadores informan que las imágenes sintéticas exhibieron una alta correlación con las imágenes adquiridas por escáneres de resonancia magnética de 1.5 T y 3.0 T.

La morfometría, el análisis cuantitativo del tamaño y la forma de las estructuras en una imagen, es fundamental para muchos estudios de neuroimagen. Desafortunadamente, la mayoría de las herramientas de análisis de MRI están diseñadas para adquisiciones casi isotrópicas de alta resolución y, por lo general, requieren imágenes ponderadas en T1 como MP-RAGE. Su rendimiento a menudo cae rápidamente a medida que aumenta el tamaño del vóxel y la anisotropía. Como la gran mayoría de las resonancias magnéticas clínicas existentes son altamente anisotrópicas, no se pueden analizar de manera confiable con las herramientas existentes.

“Cada año se producen millones de imágenes de resonancia magnética cerebral de baja resolución, pero actualmente no se pueden analizar con software de neuroimagen”, explica el investigador principal. Juan Eugenio Iglesias. “El objetivo principal de mi investigación actual es desarrollar algoritmos que hagan que las imágenes de resonancia magnética del cerebro de baja resolución se parezcan a las resonancias magnéticas de alta resolución que usamos en la investigación. Estoy particularmente interesado en dos aplicaciones: permitir el análisis 3D automatizado de las exploraciones clínicas y su uso con escáneres de resonancia magnética portátiles de campo bajo”.

Entrenamiento y pruebas

LF-SynthSR se basa en SynthSR, un método desarrollado por el equipo para entrenar una CNN para predecir exploraciones isotrópicas MP-RAGE de resolución de 1 mm a partir de exploraciones de RM clínicas de rutina. Hallazgos previos informados en NeuroImage demostraron que las imágenes generadas por SynthSR se pueden utilizar de forma fiable para la segmentación y la volumetría subcorticales, el registro de imágenes y, si se cumplen algunos requisitos de calidad, incluso para la morfometría del grosor cortical.

Tanto LF-SynthSR como SynthSR se entrenan con imágenes de entrada sintéticas de apariencia muy variable generadas a partir de segmentaciones 3D y, por lo tanto, se pueden usar para entrenar CNN para cualquier combinación de contraste, resolución y orientación.

Iglesias señala que las redes neuronales funcionan mejor cuando los datos parecen aproximadamente constantes, pero cada hospital usa escáneres de diferentes proveedores que están configurados de manera diferente, lo que da como resultado escaneos muy heterogéneos. “Para abordar este problema, estamos tomando prestadas ideas de un campo de aprendizaje automático llamado 'aleatorización de dominios', donde se entrenan redes neuronales con imágenes sintéticas que se simulan para cambiar constantemente la apariencia y la resolución, con el fin de obtener redes entrenadas que son independientes de la apariencia de las imágenes de entrada”, explica.

Para evaluar el rendimiento de LF-SynthSR, los investigadores correlacionaron las mediciones de morfología cerebral entre resonancias magnéticas sintéticas e imágenes reales de alta intensidad de campo. Para el entrenamiento, utilizaron un conjunto de datos de resonancia magnética de alta intensidad de campo de escaneos MP-RAGE isotrópicos de 1 mm de 20 sujetos. También utilizaron las segmentaciones correspondientes de 36 regiones de interés (ROI) del cerebro y tres ROI extracerebrales. El conjunto de entrenamiento también se aumentó artificialmente para modelar mejor el tejido patológico, como un accidente cerebrovascular o una hemorragia.

El conjunto de prueba comprendía datos de imágenes de 24 participantes con síntomas neurológicos que se sometieron a una exploración de intensidad de campo baja (0.064 T) además de una resonancia magnética de intensidad de campo alta (1.5–3 T) estándar de atención. El algoritmo generó con éxito imágenes MP-RAGE sintéticas isotrópicas de 1 mm a partir de resonancias magnéticas cerebrales de baja intensidad de campo, con vóxeles más de 10 veces más pequeños que en los datos originales. La segmentación automatizada de las imágenes sintéticas de una muestra final de 11 participantes arrojó volúmenes de ROI que estaban altamente correlacionados con los derivados de las exploraciones por RM de alta intensidad de campo.

“LF-SynthSR puede mejorar la calidad de imagen de las resonancias magnéticas de baja intensidad de campo hasta el punto de que se pueden utilizar no solo mediante métodos de segmentación automatizados, sino también potencialmente con algoritmos de registro y clasificación”, escriben los investigadores. “También podría usarse para aumentar la detección de lesiones anormales”.

Esta capacidad de analizar resonancias magnéticas cerebrales de baja resolución utilizando morfometría automatizada permitiría el estudio de enfermedades raras y poblaciones que están subrepresentadas en la investigación actual de neuroimagen. Además, mejorar la calidad de las imágenes de los escáneres de resonancia magnética portátiles mejoraría su uso en áreas médicamente desatendidas, así como en cuidados intensivos, donde trasladar a los pacientes a una sala de resonancia magnética a menudo es demasiado riesgoso.

La resonancia magnética portátil diagnostica un accidente cerebrovascular al lado de la cama del paciente

Iglesias dice que otro desafío es la amplia gama de anomalías que se encuentran en las exploraciones clínicas que deben ser manejadas por la CNN. "Actualmente, SynthSR funciona bien con cerebros sanos, casos con atrofia y anomalías más pequeñas como pequeñas lesiones de esclerosis múltiple o pequeños accidentes cerebrovasculares", dice. Mundo de la física. “Actualmente estamos trabajando para mejorar el método para que pueda tratar con eficacia lesiones más grandes, como accidentes cerebrovasculares o tumores más grandes”.

Escribiendo en un editorial acompañante en Radiología, Birgit Ertl-Wagner y Matías Wagner del desplegable Hospital para niños enfermos en Toronto comentan: "Este emocionante estudio de desarrollo técnico demuestra el potencial de reducir la intensidad de campo y apuntar alto a la resolución espacial y de contraste utilizando inteligencia artificial".

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/