Desde los primeros días de los escáneres de tomografía computarizada y los dispositivos de mamografía, las imágenes médicas han recorrido un largo camino. Con las imágenes médicas 3D, los profesionales de la salud ahora pueden acceder a nuevas resoluciones, ángulos y detalles para ayudarles a obtener una mejor comprensión de su paciente, todo mientras reducen la dosis de radiación utilizada para recopilar las imágenes.
Los sistemas de imágenes médicas tradicionales proporcionan representaciones visuales 2D de órganos humanos, mientras que los sistemas de imágenes médicas digitales más avanzados (por ejemplo, TC de rayos X) pueden crear imágenes 2D y en muchos casos imágenes 3D de órganos humanos.
El registro de imágenes médicas es una técnica común que consiste en superponer dos imágenes, como las exploraciones por resonancia magnética (RM), para comparar y analizar las diferencias anatómicas con gran detalle. Si un paciente tiene un tumor cerebral, por ejemplo, los médicos pueden superponerse a una exploración cerebral de hace varios meses hasta una exploración más reciente para analizar pequeños cambios en el progreso del tumor.
Sin embargo, este proceso puede tardar dos horas o más, ya que los sistemas tradicionales deben alinear con precisión cada uno de los millones de píxeles potencialmente millones en los escaneos combinados.
Recientemente, investigadores del MIT describieron un algoritmo de aprendizaje automático que será capaz de registrar escáneres cerebrales y otras imágenes tridimensionales más de 1.000 veces más rápidamente utilizando nuevas técnicas de aprendizaje.
El algoritmo funciona ‘aprendiendo’ mientras registra miles de pares de imágenes. De esta manera, recopila la información sobre cómo alinear imágenes y, a continuación, estima algunos parámetros de alineación óptimos. Después de ‘entrenamiento’, utilizará esos parámetros para asignar todos los píxeles de una imagen a otra, todo a la vez. Esto reducirá el tiempo de registro a uno o dos minutos cuando se utiliza un equipo normal, o menos de un segundo utilizando una GPU con una precisión comparable a los sistemas de última generación.
El algoritmo de los investigadores, llamado «VoxelMorph», es impulsado por una red neuronal convolucional (CNN), un enfoque de aprendizaje automático comúnmente utilizado para el procesamiento de imágenes. Estas redes constan de muchos nodos que procesan imágenes y otra información a través de varias capas de cálculo.
Durante el entrenamiento, se introdujeron pares de escáneres cerebrales en el algoritmo, que capturó similitudes de los vóxeles en los dos escaneos. Al hacerlo, aprende información sobre grupos de vóxeles, como formas anatómicas comunes a ambos escaneos, que utiliza para calcular parámetros optimizados. Cuando se alimentan dos nuevos escaneos, el algoritmo utiliza los parámetros optimizados para calcular rápidamente la alineación exacta de cada voxel en ambos escaneos.
«Las tareas de alinear una resonancia magnética cerebral no deberían ser tan diferentes cuando estás alineando un par de resonancias magnéticas cerebrales u otra», dice el coautor en ambos artículos, Guha Balakrishnan, un estudiante graduado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y Departamento de Ingeniería e Informática (EECS). «Hay información que deberías ser capaz de transferir en cómo hacer la alineación. Si puedes aprender algo del registro de imágenes anterior, puedes hacer una nueva tarea mucho más rápido y con la misma precisión».
Para que una pieza de equipo médico «aprenda» con precisión de las miles de imágenes que reúne, el equipo 3D debe construirse con el uso de una lente de alta precisión. Universe Optics trabajará con su equipo de diseño para diseñar y crear la lente que necesita para entregar las imágenes necesarias.
El algoritmo tiene el potencial de allanar el camino para su uso durante las operaciones. Durante algunas operaciones, se utilizan varios escaneos de diferentes calidades y velocidades.
Según los investigadores, el nuevo algoritmo podría registrar exploraciones casi en tiempo real, obteniendo una imagen mucho más clara sobre su progreso. Durante la cirugía, los médicos realmente no pueden superponerlas, porque tomaría dos horas. Sin embargo, si sólo toma un segundo, se puede imaginar que podría ser factible.