Los científicos de ETH Zurich y la Universidad de Zurich han utilizado métodos de aprendizaje automático para mejorar las imágenes optoacústicas. Esta técnica de imagen médica relativamente joven se puede utilizar para aplicaciones como visualizar vasos sanguíneos, estudiar la actividad cerebral, caracterizar lesiones cutáneas y diagnosticar cáncer de mama.Sin embargo, la calidad de las imágenes renderizadas depende mucho del número y la distribución de los sensores utilizados por el dispositivo: cuantos más, mejor calidad de la imagen. El nuevo enfoque desarrollado por los investigadores de ETH permite una reducción sustancial de la cantidad de sensoressin renunciar a la calidad de imagen resultante. Esto permite reducir el costo del dispositivo, aumentar la velocidad de imagen o mejorar el diagnóstico.
La optoacústica ver recuadro es similar en algunos aspectos a las imágenes por ultrasonido. En este último, una sonda envía ondas ultrasónicas al cuerpo, que son reflejadas por el tejido. Los sensores en la sonda detectan las ondas de sonido que regresan y una imagen delposteriormente se genera dentro del cuerpo. En las imágenes optoacústicas, se envían pulsos láser muy cortos al tejido, donde se absorben y se convierten en ondas ultrasónicas. De manera similar a las imágenes de ultrasonido, las ondas se detectan y se convierten en imágenes.
Corrección de distorsiones de imagen
El equipo dirigido por Daniel Razansky, profesor de imágenes biomédicas en ETH Zurich y la Universidad de Zurich, buscó una forma de mejorar la calidad de imagen de los dispositivos optoacústicos de bajo costo que poseen solo una pequeña cantidad de sensores ultrasónicos.
Para hacer esto, comenzaron usando un escáner optoacústico de alta gama desarrollado por ellos mismos que tenía 512 sensores, que proporcionaban imágenes de calidad superior. Hicieron que estas imágenes fueran analizadas por una red neuronal artificial, que pudo aprender las características delas imágenes de alta calidad
A continuación, los investigadores descartaron la mayoría de los sensores, por lo que solo quedaron 128 o 32 sensores, con un efecto perjudicial en la calidad de la imagen. Debido a la falta de datos, aparecieron distorsiones conocidas como artefactos de tipo raya.Sin embargo, resultó que la red neuronal previamente entrenada pudo corregir en gran medida estas distorsiones, acercando así la calidad de la imagen a las mediciones obtenidas con todos los 512 sensores.
En optoacústica, la calidad de la imagen aumenta no solo con el número de sensores utilizados, sino también cuando la información se captura desde tantas direcciones como sea posible: cuanto mayor sea el sector en el que los sensores están dispuestos alrededor del objeto, mejor será la calidad. El algoritmo de aprendizaje automático desarrollado también tuvo éxito al mejorar la calidad de las imágenes que se grabaron desde un sector circunscripto. "Esto es particularmente importante para aplicaciones clínicas, ya que los pulsos láser no pueden penetrar en todo el cuerpo humano, por lo tanto, la región de la imagen es normalmentesolo accesible desde una dirección ", según Razansky.
Facilitar la toma de decisiones clínicas
Los científicos enfatizan que su enfoque no se limita a las imágenes optoacústicas. Debido a que el método opera en las imágenes reconstruidas, no en los datos brutos grabados, también es aplicable a otras técnicas de imágenes ". Básicamente, puede usar la misma metodología para producirimágenes de calidad de cualquier tipo de datos dispersos ", dice Razansky. Explica que los médicos a menudo se enfrentan al desafío de interpretar imágenes de baja calidad de los pacientes". Mostramos que tales imágenes pueden mejorarse con métodos de IA, lo que facilita su obtención.diagnóstico más preciso "
Para Razansky, este trabajo de investigación es un buen ejemplo de para qué se pueden utilizar los métodos existentes de inteligencia artificial. "Muchas personas piensan que la IA podría reemplazar la inteligencia humana. Esto es probablemente exagerado, al menos para la tecnología de IA actualmente disponible"dice: "No puede reemplazar la creatividad humana, pero puede liberarnos de algunas tareas laboriosas y repetitivas".
En su investigación actual, los científicos utilizaron un dispositivo de tomografía optoacústica personalizado para animales pequeños y entrenaron los algoritmos de aprendizaje automático con imágenes de ratones. El siguiente paso será aplicar el método a las imágenes optoacústicas de pacientes humanos, dice Razansky.
función reveladora del tejido
A diferencia de la optoacústica también conocida como fotoacústica, muchas técnicas de imagen, como ultrasonido, rayos X o resonancia magnética, son principalmente adecuadas para visualizar alteraciones anatómicas en el cuerpo. Para recibir información funcional adicional, por ejemplo, sobre el flujo sanguíneo o cambios metabólicos, al paciente se le deben administrar agentes de contraste o trazadores radiactivos antes de la imagen. Por el contrario, el método optoacústico puede visualizar información funcional y molecular sin introducir agentes de contraste. Un ejemplo son los cambios locales en la oxigenación de los tejidos, un hito importante del cáncer que puedeser utilizado para el diagnóstico temprano. El contenido de lípidos en los vasos sanguíneos es otro marcador potencial de enfermedad, que puede ayudar a la detección temprana de enfermedades cardiovasculares.
Sin embargo, debe tenerse en cuenta que debido a que las ondas de luz utilizadas en las imágenes optoacústicas, a diferencia de otras ondas, no penetran completamente en el cuerpo humano, el método solo es adecuado para investigar tejidos a una profundidad de unos pocos centímetros debajo de la piel.
Fuente de la historia :
Materiales proporcionado por ETH Zúrich . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :