En comparación con otras modalidades de imágenes, como radiografías o tomografías computarizadas, las resonancias magnéticas proporcionan un contraste de tejidos blandos de alta calidad. Desafortunadamente, la resonancia magnética es muy sensible al movimiento, e incluso el movimiento más pequeño produce artefactos en la imagen. Estos artefactos ponen a los pacientes en riesgo de sufrir diagnósticos erróneos o tratamientos inadecuados cuando los detalles críticos quedan ocultos para el médico. Pero los investigadores del MIT pueden haber desarrollado un modelo de aprendizaje profundo capaz de corregir el movimiento en la resonancia magnética cerebral.
“El movimiento es un problema común en la resonancia magnética”, explica Nalini Singh, una Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud (Clínica Jameel)-estudiante de doctorado afiliado en la Programa Harvard-MIT en Ciencias y Tecnología de la Salud (HST) y autor principal del artículo. “Es una modalidad de obtención de imágenes bastante lenta”.
Las sesiones de resonancia magnética pueden durar desde unos minutos hasta una hora, según el tipo de imágenes requeridas. Incluso durante los escaneos más cortos, pequeños movimientos pueden tener efectos dramáticos en la imagen resultante. A diferencia de las imágenes de la cámara, donde el movimiento normalmente se manifiesta como un desenfoque localizado, el movimiento en la resonancia magnética a menudo resulta en artefactos que pueden corromper toda la imagen. Se puede anestesiar a los pacientes o solicitarles que limiten la respiración profunda para minimizar el movimiento. Sin embargo, estas medidas a menudo no se pueden tomar en poblaciones particularmente susceptibles al movimiento, incluidos niños y pacientes con trastornos psiquiátricos.
El artículo, titulado “Corrección de movimiento de resonancia magnética profunda y rígida consistente con datos”, recibió recientemente el premio a la mejor presentación oral en el Conferencia sobre Imagenología Médica con Aprendizaje Profundo (MIDL) en Nashville, Tennessee. El método construye computacionalmente una imagen sin movimiento a partir de datos dañados por el movimiento sin cambiar nada en el procedimiento de escaneo. “Nuestro objetivo era combinar el modelado basado en la física y el aprendizaje profundo para obtener lo mejor de ambos mundos”, afirma Singh.
La importancia de este enfoque combinado radica en garantizar la coherencia entre la salida de la imagen y las medidas reales de lo que se representa; de lo contrario, el modelo crea “alucinaciones”: imágenes que parecen realistas, pero que son física y espacialmente inexactas, lo que potencialmente empeora los resultados cuando se trata de a los diagnósticos.
Obtener una resonancia magnética libre de artefactos de movimiento, particularmente en pacientes con trastornos neurológicos que causan movimientos involuntarios, como la enfermedad de Alzheimer o Parkinson, beneficiaría más que solo los resultados del paciente. Un estudio del Departamento de Radiología de la Universidad de Washington estimó que el movimiento afecta al 15 por ciento de las resonancias magnéticas del cerebro. Movimiento en todos los tipos de resonancia magnética que conduce a exploraciones repetidas o sesiones de imágenes para obtener imágenes con calidad suficiente para los resultados del diagnóstico en aproximadamente $115,000 en gastos hospitalarios por escáner anualmente.
Según Singh, el trabajo futuro podría explorar tipos más sofisticados de movimiento de la cabeza, así como el movimiento de otras partes del cuerpo. Por ejemplo, la resonancia magnética fetal adolece de movimientos rápidos e impredecibles que no pueden modelarse únicamente mediante simples traslaciones y rotaciones.
“Esta línea de trabajo de Singh y compañía es el siguiente paso en la corrección del movimiento por resonancia magnética. No sólo es un excelente trabajo de investigación, sino que creo que estos métodos se utilizarán en todo tipo de casos clínicos: niños y personas mayores que no pueden quedarse quietas en el escáner, patologías que inducen el movimiento, estudios de tejido en movimiento, incluso pacientes sanos. se moverá en el imán”, dice Daniel Moyer, profesor asistente en la Universidad de Vanderbilt. “En el futuro, creo que probablemente será una práctica estándar procesar imágenes con algo que provenga directamente de esta investigación”.
Los coautores de este artículo incluyen a Nalini Singh, Neel Dey, Malte Hoffmann, Bruce Fischl, Elfar Adalsteinsson, Robert Frost, Adrian Dalca y Polina Golland. Esta investigación fue apoyada en parte por GE Healthcare y por hardware computacional proporcionado por el Massachusetts Life Sciences Center. El equipo de investigación agradece a Steve Cauley por sus útiles debates. NIH NIBIB, NIA, NIMH, NINDS, Blueprint for Neuroscience Research, parte del proyecto multiinstitucional Human Connectome, BRAIN Initiative Cell Census Network y una beca de doctorado de Google brindaron apoyo adicional.