Investigadores combinan el aprendizaje profundo y la física para corregir escaneos de resonancia magnética (MRI)’.
Combining deep learning and physics to correct MRI scans.
En el ámbito de la imagen médica, la resonancia magnética (MRI, por sus siglas en inglés) destaca por su excepcional visualización de los tejidos blandos, superando las capacidades de los rayos X y las tomografías computarizadas (CT scans). Sin embargo, el talón de Aquiles de la MRI radica en su susceptibilidad a los artefactos de movimiento: incluso el más mínimo movimiento durante un escaneo puede comprometer la calidad de la imagen, lo que implica un costo considerable de recursos y tiempo.
Esto también puede llevar a diagnósticos potencialmente engañosos y resultados de tratamiento subóptimos. Pero ahora, los investigadores del MIT están armados con un nuevo modelo de aprendizaje profundo diseñado para corregir las distorsiones relacionadas con el movimiento en la MRI cerebral.
La principal autora del artículo, Nalini Singh, quien también es investigadora afiliada a la Clínica Abdul Latif Jameel de Aprendizaje Automático en Salud del MIT, explica a MIT News: “El movimiento es un problema común en la MRI… Es una modalidad de imagen bastante lenta”.
- Destilando lo que sabemos
- New York Times Considerando Demanda contra OpenAI
- Aterrizaje de Chandrayaan 3 Cómo la IA y los sensores ayudaron en la épica empresa lunar de la ISRO.
Para abordar este desafío, Singh y su equipo han ideado una solución pionera llamada “Corrección del movimiento de la MRI cerebral rígida y coherente con los datos”. Este método construye imágenes libres de movimiento a partir de datos distorsionados, sin alterar el proceso de escaneo.
Central en este enfoque híbrido es la preservación de la coherencia entre la imagen de salida y las mediciones reales que representa. Sin esta coherencia, el modelo corre el riesgo de generar imágenes “alucinatorias”: representaciones engañosamente realistas pero clínicamente inexactas que pueden comprometer gravemente la confiabilidad del diagnóstico.
Los pacientes que luchan con movimientos involuntarios inducidos neurológicamente, como los observados en las enfermedades de Alzheimer y Parkinson, se beneficiarían de escaneos de MRI sin artefactos. Estudios del Departamento de Radiología de la Universidad de Washington indican que el movimiento interfiere en aproximadamente el 15% de los escaneos de MRI cerebral.
Este problema recurrente contribuye a un gasto anual de aproximadamente $115,000 por escáner en escaneos repetidos. Daniel Moyer, profesor asistente en la Universidad Vanderbilt, dijo sobre el modelo: “Esta línea de trabajo de Singh y compañía es el siguiente paso en la corrección del movimiento en la MRI”.
Agregó: “No solo 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 estar quietos en el escáner, patologías que inducen movimiento, estudios de tejidos en movimiento, incluso pacientes sanos se moverán en el imán”.
Moyer concluyó diciendo: “En el futuro, creo que probablemente será una práctica estándar procesar imágenes con algo directamente derivado de esta investigación”.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Haciendo LLMs más ligeros con AutoGPTQ y transformers
- VMware y NVIDIA se asocian para revolucionar la inteligencia artificial generativa en la empresa
- Consejos de PyTorch para aumentar tu productividad
- El avance de la inteligencia artificial de IBM traducir COBOL a Java ahora es fácil
- AI2 presenta Dolma un corpus de 3 billones de tokens que pionera la transparencia en la investigación de modelos de lenguaje
- Los 5 mejores cursos de IA generativa para hacer en 2023
- YouTube Music lanza un incubador de IA en colaboración con Universal Music