Los investigadores de ETH utilizan inteligencia artificial para mejorar la calidad de las imágenes grabadas mediante un método de imágenes biomédicas relativamente nuevo. Esto allana el camino hacia un diagnóstico más preciso y dispositivos rentables.

Los científicos de ETH Zurich y la Universidad de Zurich han utilizado métodos de aprendizaje automático para mejorar las imágenes optoacústicas. Esta técnica de imágenes médicas relativamente joven se puede utilizar para aplicaciones tales como visualizar vasos sanguíneos, estudiando la actividad cerebral, caracterizar las lesiones cutáneas y diagnosticar el cáncer de mama. Sin embargo, La calidad de las imágenes renderizadas depende en gran medida del número y la distribución de los sensores utilizados por el dispositivo:cuantos más, mejor será la calidad de la imagen. El nuevo enfoque desarrollado por los investigadores de ETH permite una reducción sustancial del número de sensores sin renunciar a la calidad de imagen resultante. Esto permite reducir el costo del dispositivo, aumentar la velocidad de la imagen o mejorar el diagnóstico.

La optoacústica (ver recuadro) es similar en algunos aspectos a la ecografía. En lo ultimo, una sonda envía ondas ultrasónicas al cuerpo, que se reflejan en el tejido. Los sensores de la sonda detectan las ondas sonoras que regresan y posteriormente se genera una imagen del interior del cuerpo. En imágenes optoacústicas, En su lugar, se envían pulsos de láser muy cortos al tejido, donde son absorbidos y convertidos en ondas ultrasónicas. De manera similar a las imágenes de ultrasonido, las ondas se detectan y se convierten en imágenes.

Corregir las distorsiones de la imagen

El equipo dirigido por Daniel Razansky, Catedrático de Imagen Biomédica en ETH Zurich y la Universidad de Zurich, buscó una forma de mejorar la calidad de imagen de dispositivos optoacústicos de bajo costo que poseen solo una pequeña cantidad de sensores ultrasónicos.

Para hacer esto, Comenzaron utilizando un escáner optoacústico de alta gama de desarrollo propio con 512 sensores, que entregó imágenes de calidad superior. Hicieron analizar estas imágenes mediante una red neuronal artificial, que pudo conocer las características de las imágenes de alta calidad.

Próximo, los investigadores descartaron la mayoría de los sensores, de modo que solo quedaron 128 o 32 sensores, con un efecto perjudicial sobre la calidad de la imagen. Debido a la falta de datos, En las imágenes aparecieron distorsiones conocidas como artefactos de tipo raya. Resultó, sin embargo, que la red neuronal previamente entrenada fue capaz de corregir en gran medida estas distorsiones, acercando así la calidad de la imagen a las medidas obtenidas con todos los 512 sensores.

En optoacústica, la calidad de la imagen aumenta no solo con la cantidad de sensores utilizados, pero también cuando la información se captura desde tantas direcciones como sea posible:cuanto más grande es el sector en el que los sensores están dispuestos alrededor del objeto, cuanto mejor sea la calidad. El algoritmo de aprendizaje automático desarrollado también tuvo éxito en la mejora de la calidad de las imágenes que se grabaron en un sector muy limitado. "Esto es particularmente importante para aplicaciones clínicas, como los pulsos de láser no pueden penetrar todo el cuerpo humano, por lo tanto, la región de la imagen normalmente solo es accesible desde una dirección, "según Razansky.

Facilitar la toma de decisiones clínicas

Los científicos enfatizan que su enfoque no se limita a la obtención de imágenes optoacústicas. Debido a que el método opera sobre las imágenes reconstruidas, no los datos sin procesar registrados, también es aplicable a otras técnicas de imagen. "Básicamente, puede utilizar la misma metodología para producir imágenes de alta calidad a partir de cualquier tipo de datos escasos, ", Dice Razansky. Explica que los médicos a menudo se enfrentan al desafío de interpretar imágenes de baja calidad de los pacientes". Demostramos que tales imágenes se pueden mejorar con métodos de IA, lo que facilita la obtención de un diagnóstico más preciso ".

Para Razansky, este trabajo de investigación es un buen ejemplo de para qué se pueden utilizar los métodos existentes de inteligencia artificial. "Mucha gente piensa que la IA podría reemplazar la inteligencia humana. Esto probablemente sea exagerado, al menos para la tecnología de IA actualmente disponible, ", dice." No puede reemplazar la creatividad humana, sin embargo, puede liberarnos de algunos trabajos tareas repetitivas."

En su investigación actual, los científicos utilizaron un dispositivo de tomografía optoacústica personalizado para animales pequeños, y entrenó los algoritmos de aprendizaje automático con imágenes de ratones. El siguiente paso será aplicar el método a imágenes optoacústicas de pacientes humanos, Dice Razansky.

Revelar la función del tejido

A diferencia de la optoacústica (también conocida como fotoacústica), muchas técnicas de imagen, como el ultrasonido, Rayos X o resonancia magnética, son principalmente adecuados para visualizar alteraciones anatómicas en el cuerpo. Para recibir información funcional adicional, por ejemplo, en relación con el flujo sanguíneo o cambios metabólicos, el paciente debe recibir agentes de contraste o trazadores radiactivos antes de la formación de imágenes. A diferencia de, el método optoacústico permite visualizar información funcional y molecular sin introducir agentes de contraste. Un ejemplo son los cambios locales en la oxigenación de los tejidos, un hito importante del cáncer que se puede utilizar para el diagnóstico temprano. El contenido de lípidos en los vasos sanguíneos es otro marcador de enfermedad potencial, que puede ayudar a la detección temprana de enfermedades cardiovasculares.

Se debería notar, sin embargo, que debido a que las ondas de luz utilizadas en las imágenes optoacústicas, a diferencia de otras olas, no penetran completamente en el cuerpo humano, el método solo es adecuado para investigar tejidos a una profundidad de unos pocos centímetros por debajo de la piel.