Notícia

Novo método de Inteligência Artificial melhora os resultados de ressonância magnética sem a necessidade de ‘imagens limpas’

Pesquisadores treinaram algoritmo de Inteligência Artificial usando apenas imagens de ressonância magnética com artefatos, sem precisar de imagens de referência, sem artefatos.

Pixabay

Fonte

Universidade de Washington em St. Louis

Data

quinta-feira, 9 setembro 2021 06:00

Áreas

Computação. Engenharia Biomédica. Inteligência Artificial. Processamento de Imagens.

Quando pacientes são submetidos a uma ressonância magnética, são orientados a permanecer imóveis, porque mesmo o menor movimento compromete a qualidade das imagens e pode criar pontos borrados e manchas conhecidas como artefatos. Além disso, geralmente é necessário um longo tempo de aquisição para fornecer imagens de ressonância magnética de alta qualidade. Neste sentido, uma equipe de pesquisadores da Universidade de Washington em St. Louis, nos Estados Unidos,  encontrou um novo método de aprendizado profundo – uma técnica de Inteligência Artificial –  que pode minimizar artefatos e outros ruídos em imagens de ressonância magnética que vêm do movimento e de um curto tempo de aquisição de imagem.

A Dra. Hongyu An, professora de radiologia da Escola de Medicina, e o Dr. lugbek Kamilov, professor de Ciência da Computação e Engenharia Elétrica e de Sistemas na Escola de Engenharia, ambos da Universidade de Washington, lideraram uma equipe interdisciplinar que desenvolveu o método de aprendizado profundo Phase2Phase, que eles treinaram usando imagens com artefatos, sem precisar de imagens de referência, sem artefatos.

Os resultados do trabalho foram publicados na revista científica Investigative Radiology.

O aprendizado profundo aprende diretamente com os dados de treinamento como determinar o sinal de artefatos e ruído, ou variações na intensidade do sinal em uma imagem. Muitos métodos de reconstrução de ressonância magnética baseados em aprendizado profundo existentes são capazes de remover artefatos e ruídos, mas eles aprendem com uma imagem de referência, que pode ser difícil de obter.

“Em uma ressonância magnética, pode ser fácil ou difícil escanear alguém, dependendo de sua saúde física, e os pacientes precisam respirar. Quando eles respiram, seus órgãos internos se movem, e temos que determinar como corrigir esses movimentos”, explicou o Dr. Kamilov.

Com o algoritmo Phase2Phase, a equipe alimenta o modelo de aprendizado profundo com apenas conjuntos de imagens ruins e treina a rede neural para prever uma imagem boa a partir de uma ruim sem uma imagem de referência.

Weijie Gan, doutorando no laboratório do Dr. Kamilov e coautor do artigo, escreveu o software para o algoritmo Phase2Phase para remover ruídos e artefatos. Cihat Eldeniz, instrutor de Radiologia no Instituto de Radiologia da Universidade de Washington e também coautor, trabalhou na aquisição da ressonância magnética e detecção de movimentos usada no estudo. Eles modelaram o Phase2Phase de acordo com um método de aprendizado de máquina existente conhecido como Noise2Noise, que restaura imagens sem a necessidade de ‘dados limpos’.

Em um estudo retrospectivo, a equipe avaliou dados de ressonância magnética de 33 participantes – 15 pessoas saudáveis ​​e 18 pacientes com câncer de fígado, todos os quais foram autorizados a respirar normalmente enquanto no scanner. Esses resultados foram comparados com imagens reconstruídas com outro método de aprendizado profundo, UNet3DPhase, que é treinado com uma imagem de referência de alta qualidade, sensoriamento comprimido e transformada rápida não uniforme de Fourier (MCNUFFT).

Além disso, o método Phase2Phase reconstruiu com sucesso 66 conjuntos de dados de ressonância magnética adquiridos em outra instituição usando diferentes parâmetros de aquisição, demonstrando sua ampla aplicabilidade.

“O método de aprendizagem profunda Phase2Phase oferece uma excelente solução para uma reconstrução rápida de imagens de fígado 4D de alta qualidade usando apenas uma fração do tempo de aquisição. Ele melhora a qualidade da imagem para um melhor diagnóstico clínico”, concluiu a Dra. Hongyu An.

Acesse o resumo do artigo científico (em inglês).

Acesse a notícia completa na página da Universidade de Washington em St. Louis (em inglês).

Fonte: Beth Miller, Universidade de Washington em St. Louis. Imagem: Pixabay.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Os comentários constituem um espaço importante para a livre manifestação dos usuários, desde que cadastrados no Portal Tech4Health e que respeitem os Termos e Condições de Uso. Portanto, cada comentário é de responsabilidade exclusiva do usuário que o assina, não representando a opinião do Portal Tech4Health, que pode retirar, sem prévio aviso, comentários postados que não estejam de acordo com estas regras.

Leia também

2021 Portal Tech4Health | Portal de Notícias, Conteúdos e Rede Profissional em Saúde e Tecnologias da Rede T4H.

Entre em Contato

Enviando
ou

Fazer login com suas credenciais

ou    

Esqueceu sua senha?

ou

Create Account