Notícias

Melhores vídeos de ressonância magnética graças ao novo método de aprendizado de máquina

Publicidade - continue a ler a seguir

Melhores vídeos de ressonância magnética graças ao novo método de aprendizado de máquina

Seção de eixo curto através do coração: O método simples de reconstrução de imagem de ressonância magnética “Gridding” (esquerda), método “RT-NLINV” desenvolvido em 2010 (centro) e o novo método “NLINV-Net” (direita), combinando a modelagem de RT-NLINV com aprendizado de máquina. Crédito: TU Graz — Instituto de Imagens Biomédicas

Usando redes neurais treinadas de forma inteligente, os pesquisadores da TU Graz conseguiram gerar imagens precisas em tempo real do coração batendo a partir de apenas alguns dados de medição de ressonância magnética. Outras aplicações de ressonância magnética também podem ser aceleradas usando este procedimento. O estudo é publicado em Ressonância Magnética em Medicina.

Imagens médicas usando ressonância magnética (MRI) consomem muito tempo, pois uma imagem deve ser compilada a partir de dados de muitas medições individuais. Graças ao uso do aprendizado de máquina, a geração de imagens também é possível com menos dados de medição de ressonância magnética, o que economiza tempo e custos.

No entanto, o pré-requisito para isso são imagens perfeitas que possam ser usadas para treinar os modelos de IA. Essas imagens de treinamento perfeitas não existem para determinadas aplicações, como ressonância magnética em tempo real (imagem em movimento), pois essas imagens são sempre um tanto desfocadas.

Uma equipe de pesquisa internacional liderada por Martin Uecker e Moritz Blumenthal, do Instituto de Imagens Biomédicas da Universidade de Tecnologia de Graz (TU Graz), conseguiu agora gerar imagens precisas de ressonância magnética ao vivo do coração batendo, mesmo sem essas imagens de treinamento e com muito poucos dados de ressonância magnética. com a ajuda de redes neurais bem treinadas. Graças a essas melhorias, a ressonância magnética em tempo real poderá ser usada com mais frequência na prática no futuro.

Publicidade - continue a ler a seguir

Calibração de imagens por meio de dados retidos

Uecker e Blumenthal usaram métodos de aprendizagem auto-supervisionados para treinar seu modelo de aprendizado de máquina para imagens de ressonância magnética. A base para treinar o modelo não são imagens perfeitas pré-curadas, mas um subconjunto dos dados iniciais a partir dos quais o modelo reconstruirá as imagens.

Blumenthal explica: “Dividimos os dados de medição fornecidos pelo dispositivo de ressonância magnética em duas partes. A partir da primeira, maior parte de dados, nosso modelo de aprendizado de máquina reconstrói a imagem. Em seguida, ele tenta calcular a segunda parte dos dados de medição retidos dele em a base da imagem.”

Se o sistema não conseguir fazer isso ou o fizer mal – de acordo com a lógica subjacente – a imagem reconstruída anteriormente deve estar incorreta. O modelo é atualizado, cria uma nova variante de imagem melhorada e tenta calcular novamente a segunda porção de dados. Este processo é executado por várias rodadas até que o resultado seja consistente.

Neste processo de treinamento, o sistema aprende, a partir de um grande número dessas reconstruções, como deveriam ser as boas imagens de ressonância magnética. Posteriormente, durante a aplicação, o modelo pode calcular diretamente uma boa imagem.

Este procedimento pode tornar muitas aplicações de ressonância magnética mais rápidas e baratas

“Nosso processo está pronto para aplicação”, diz Uecker, “mesmo que provavelmente demore um pouco até que seja realmente usado na prática”. O método pode ser usado para muitas outras aplicações de ressonância magnética para torná-las mais rápidas e, portanto, mais baratas. Isto inclui ressonância magnética quantitativa, por exemplo, na qual os parâmetros físicos do tecido são medidos e quantificados com precisão.

“Isso permite que os radiologistas acessem dados precisos para diagnósticos, em vez de ter que interpretar imagens com base nas diferenças de brilho usando sua experiência profissional”, explica Uecker. “Até agora, no entanto, as medições quantitativas de ressonância magnética muitas vezes demoravam muito tempo. Com o nosso modelo de aprendizado de máquina, conseguimos acelerar consideravelmente essas medições sem qualquer perda de qualidade.”

Os resultados da pesquisa são fruto de uma colaboração internacional e interdisciplinar do Instituto de Imagens Biomédicas. Os participantes incluíram Christina Unterberg (cardiologista do Centro Médico Universitário de Göttingen), Markus Haltmeier (matemático da Universidade de Innsbruck), Xiaoqing Wang (pesquisador de ressonância magnética na Harvard Medical School) e Chiara Fantinato (estudante Erasmus da Itália).

Os algoritmos e os dados de ressonância magnética estão disponíveis gratuitamente para que outros pesquisadores possam reproduzir os resultados diretamente e desenvolver o novo método.

Mais informações:
Moritz Blumenthal et al, Aprendizagem auto-supervisionada para ressonância magnética radial sem calibração melhorada com NLINV-Net, Ressonância Magnética em Medicina (2024). DOI: 10.1002/mrm.30234

Fornecido pela Universidade de Tecnologia de Graz

Citação: Melhores vídeos de ressonância magnética graças ao novo método de aprendizado de máquina (2024, 30 de setembro) recuperados em 30 de setembro de 2024 em https://medicalxpress.com/news/2024-09-mri-videos-machine-method.html

Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.

Looks like you have blocked notifications!




Portalenf Comunidade de Saúde

A PortalEnf é um Portal de Saúde on-line que tem por objectivo divulgar tutoriais e notícias sobre a Saúde e a Enfermagem de forma a promover o conhecimento entre os seus membros.

Artigos Relacionados

Deixe um comentário

Publicidade - continue a ler a seguir
Botão Voltar ao Topo