Las personas que sufren un accidente cerebrovascular a menudo se someten a un escáner cerebral en el hospital, lo que permite a los médicos determinar la ubicación y el alcance del daño. A los investigadores que estudian los efectos de los accidentes cerebrovasculares les encantaría poder analizar estas imágenes, pero la resolución es a menudodemasiado bajo para muchos análisis
Para ayudar a los científicos a aprovechar esta gran cantidad de datos sin explotar de los escaneos hospitalarios, un equipo de investigadores del MIT, que trabaja con médicos del Hospital General de Massachusetts y muchas otras instituciones, ha ideado una forma de aumentar la calidad de estos escaneos para que puedanutilizado para estudios a gran escala de cómo los accidentes cerebrovasculares afectan a diferentes personas y cómo responden al tratamiento.
"Estas imágenes son bastante únicas porque se adquieren en la práctica clínica de rutina cuando un paciente llega con un derrame cerebral", dice Polina Golland, profesora de ingeniería eléctrica y ciencias de la computación del MIT. "No se podría organizar un estudio como ese"
Usando estos escaneos, los investigadores podrían estudiar cómo los factores genéticos influyen en la supervivencia al accidente cerebrovascular o cómo las personas responden a diferentes tratamientos. También podrían usar este enfoque para estudiar otros trastornos como la enfermedad de Alzheimer.
Golland es el autor principal del artículo, que se presentará en la conferencia de procesamiento de información en imágenes médicas durante la semana del 25 de junio. El autor principal del artículo es Adrian Dalca, un postdoc en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT. Otroslos autores son Katie Bouman, estudiante de posgrado del MIT; William Freeman, profesor de ingeniería eléctrica de Thomas y Gerd Perkins en el MIT; Natalia Rost, directora del servicio de accidente cerebrovascular agudo en MGH; y Mert Sabuncu, profesora asistente de ingeniería eléctrica e informática enUniversidad de Cornell.
Rellenando datos
Al escanear el cerebro con imágenes de resonancia magnética IRM se producen muchos "cortes" 2D que se pueden combinar para formar una representación 3D del cerebro.
Para los escaneos clínicos de pacientes que han sufrido un derrame cerebral, las imágenes se toman rápidamente debido al tiempo de escaneo limitado. Como resultado, los escaneos son muy escasos, lo que significa que los cortes de imágenes se toman con una separación de aproximadamente 5-7 milímetros.-la resolución de corte es de 1 milímetro.
Para los estudios científicos, los investigadores suelen obtener imágenes de resolución mucho más alta, con cortes de solo 1 milímetro de distancia, lo que requiere mantener a los sujetos en el escáner durante un período de tiempo mucho más largo. Los científicos han desarrollado algoritmos informáticos especializados para analizar estas imágenes, pero estoslos algoritmos no funcionan bien en los análisis de pacientes mucho más abundantes pero de menor calidad tomados en hospitales.
Los investigadores del MIT, junto con sus colaboradores en MGH y otros hospitales, estaban interesados en aprovechar la gran cantidad de escaneos de pacientes, lo que les permitiría aprender mucho más de lo que se puede obtener de estudios más pequeños que producen escaneos de mayor calidad.
"Estos estudios de investigación son muy pequeños porque necesita voluntarios, pero los hospitales tienen cientos de miles de imágenes. Nuestra motivación fue aprovechar este gran conjunto de datos", dice Dalca.
El nuevo enfoque implica esencialmente completar los datos que faltan en cada exploración del paciente. Esto se puede hacer tomando información de todo el conjunto de exploraciones y usándola para recrear las características anatómicas que faltan en otras exploraciones.
"La idea clave es generar una imagen que sea anatómicamente plausible, y para un algoritmo se vea como uno de esos escaneos de investigación, y sea completamente consistente con las imágenes clínicas que se obtuvieron", dice Golland. "Una vez que tenga eso, ustedpuede aplicar todos los algoritmos de vanguardia desarrollados para las bellas imágenes de investigación y ejecutar el mismo análisis y obtener los resultados como si fueran imágenes de investigación ".
Una vez que se generan estas imágenes con calidad de investigación, los investigadores pueden ejecutar un conjunto de algoritmos diseñados para ayudar con el análisis de las características anatómicas. Estos incluyen la alineación de cortes y un proceso llamado extracción de cráneo que elimina todo menos el cerebro de las imágenes.
a lo largo de este proceso, el algoritmo realiza un seguimiento de qué píxeles provienen de los escaneos originales y cuáles se completaron después, de modo que los análisis realizados más tarde, como medir la extensión del daño cerebral, solo se pueden realizar con la información de los escaneos originales.
"En cierto sentido, este es un andamio que nos permite llevar la imagen a la colección como si fuera una imagen de alta resolución, y luego hacer mediciones solo en los píxeles donde tenemos la información", dice Golland.
Mayor calidad
Ahora que el equipo del MIT ha desarrollado esta técnica para mejorar las imágenes de baja calidad, planean aplicarla a un gran conjunto de imágenes de accidente cerebrovascular obtenidas por el consorcio liderado por MGH, que incluye alrededor de 4,000 escaneos de 12 hospitales.
"Comprender los patrones espaciales del daño que se hace a la materia blanca promete ayudarnos a comprender con más detalle cómo la enfermedad interactúa con las capacidades cognitivas de la persona, con su capacidad de recuperarse de un accidente cerebrovascular, etc.", dice Golland.
Los investigadores también esperan aplicar esta técnica a los escaneos de pacientes con otros trastornos cerebrales.
"Abre muchas direcciones interesantes", dice Golland. "Las imágenes adquiridas en la práctica médica de rutina pueden dar una idea anatómica, porque las elevamos a esa calidad que los algoritmos pueden analizar".
Encuentre el informe en línea en: http://www.mit.edu/~adalca/files/papers/ipmi2017_patchSynthesis.pdf
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Anne Trafton. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :