En comparación con otras modalidades de imágenes como por ejemplo: rayos X o incluso, tomografías computarizadas, las resonancias magnéticas logran brindar un contraste de tejidos blandos de alta calidad. Pero, si hay algo importante que conocer es que desafortunadamente la resonancia magnética es muy sensible al movimiento, incluso los movimientos más pequeños provocan artefactos en la imagen. Estos artefactos ponen a los pacientes en riesgo de diagnósticos errados o así mismo, tratamientos inapropiados cuando los detalles críticos están ocultos para el médico. Pero, todo parece indicar que los investigadores del MIT pueden haber desarrollado un modelo de aprendizaje profundo capaz de corregir el movimiento en la resonancia magnética del cerebro.
Modelo de aprendizaje profundo capaz de corregir el movimiento en la resonancia magnética del cerebro
Las sesiones de resonancia magnética pueden llegar a durar desde unos pocos minutos hasta incluso una hora, (esto varía según el tipo de imágenes requeridas). Incluso, se debe mencionar que durante los escaneos más cortos, los pequeños movimientos pueden tener efectos calamitosos en la imagen resultante. Hay que tener claro que el movimiento en la resonancia magnética, por lo general, produce artefactos que pueden corromper toda la imagen. Se puede anestesiar a los pacientes o pedirles que restrinjan la respiración profunda para poder minimizar el movimiento. Sin embargo, estas medidas frecuentemente no se pueden tomar en poblaciones especialmente susceptibles al movimiento, entre los que se incluyen por ejemplo: niños y pacientes con trastornos psiquiátricos.
El documento, titulado “Corrección de movimiento de resonancia magnética rígida profunda consistente en datos”, recientemente recibió el premio a la mejor presentación oral en la conferencia Medical Imaging with Deep Learning (MIDL) en Nashville, Tennessee. El método construye computacionalmente una imagen sin movimiento a partir de datos dañados por movimiento sin cambiar nada sobre el procedimiento de escaneo.
“Nuestro objetivo era combinar el modelado basado en la física y el aprendizaje profundo para obtener lo mejor de ambos mundos”, mencionó Nalini Singh, estudiante de doctorado afiliada a la Clínica Abdul Latif Jameel para el Aprendizaje Automático en Salud (Clínica Jameel) en el Programa Harvard-MIT en Ciencias y Tecnología de la Salud (HST) y autora principal de; el papel. “Es una modalidad de imagen bastante lenta”.
Hay que destacar que la importancia de este enfoque combinado, reside en garantizar la coherencia entre la salida de la imagen y las medidas reales de lo que se representa, de lo contrario, el modelo crea “alucinaciones”, imágenes que parecen realistas, pero que son física y espacialmente inexactas, lo que podría llegar a empeorar los resultados cuando se trata de los diagnósticos.
Procurar una resonancia magnética sin artefactos de movimiento, particularmente de pacientes con trastornos neurológicos que causan movimientos involuntarios, como el Alzheimer o el Parkinson por ejemplo, beneficiaría más que solo los resultados del paciente. Un estudio del Departamento de Radiología de la Universidad de Washington estimó que el movimiento afecta al 15% de las resonancias magnéticas cerebrales. Según se ha conocido, el movimiento en todos los tipos de MRI que lleva a exploraciones o sesiones de imágenes repetidas para obtener imágenes con suficiente calidad para el diagnóstico, genera cerca de $115,000 en gastos hospitalarios por escáner anualmente.
Ha comentado Singh, el trabajo futuro podría explorar tipos más sofisticados de movimiento de la cabeza, así como también el movimiento de otras partes del cuerpo. Según ha señalado Daniel Moyer, profesor asistente en la Universidad de Vanderbilt, esta línea de trabajo de Singh y compañía es el siguiente paso en la corrección de movimiento por resonancia magnética. Al mismo tiempo que indicó que no solo se trata de un excelente trabajo de investigación, sino que cree que estos métodos se utilizarán en todo tipo de casos clínicos: niños y personas mayores que no pueden quedarse quietas en el escáner, así como también en patologías que inducen movimiento, entre otros.
