fbpx

Avances en Inteligencia Artificial permitirán detectar enfermedades

Los científicos de ETH Zurich y la Universidad de Zurich han utilizado métodos de aprendizaje automático para mejorar las imágenes optoacústicas.

Biomedical images of a brain

Biomedical images of a brain. / Reference image / Taken from: cbsmedia.ru

EurekAlert | ETH ZURICH

Escucha este artículo


Read in english: Artificial intelligence improves biomedical imaging

Esta técnica de imagen médica relativamente joven se puede utilizar para aplicaciones como visualizar vasos sanguíneos, estudiar la actividad cerebral, caracterizar lesiones cutáneas y diagnosticar cáncer de seno.

Sin embargo, la calidad de las imágenes renderizadas depende mucho del número y la distribución de los sensores utilizados por el dispositivo: cuanto más, mejor será la calidad de la imagen. El nuevo enfoque desarrollado por los investigadores de ETH permite una reducción sustancial de la cantidad de sensores sin renunciar a la calidad de imagen resultante. Esto hace posible reducir el costo del dispositivo, aumentar la velocidad de imagen o mejorar el diagnóstico.

La optoacústica es similar en algunos aspectos a la ecografía. En este último, una sonda envía ondas ultrasónicas al cuerpo, que son reflejadas por el tejido. Los sensores en la sonda detectan las ondas de sonido que regresan y posteriormente se genera una imagen del interior del cuerpo. En las imágenes optoacústicas se envían pulsos láser muy cortos al tejido, donde se absorben y se convierten en ondas ultrasónicas. De manera similar a las imágenes de ultrasonido, las ondas se detectan y se convierten en imágenes.

Corrección de distorsiones de imagen

El equipo dirigido por Daniel Razansky, profesor de imágenes biomédicas en ETH Zurich y la Universidad de Zurich, buscó una forma de mejorar la calidad de imagen de los 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 desarrollado por ellos mismos que tenía 512 sensores, que proporcionaban imágenes de calidad superior. Hicieron que estas imágenes fueran analizadas por una red neuronal artificial, que pudo aprender las características de las imágenes de alta calidad .

Luego, los investigadores descartaron la mayoría de los sensores, de modo que solo quedaron 128 o 32 sensores, con un efecto perjudicial en la calidad de la imagen. Debido a la falta de datos, aparecieron distorsiones conocidas como artefactos de tipo raya en las imágenes.

Sin embargo, resultó que la red neuronal previamente entrenada pudo corregir en gran medida estas distorsiones, acercando así la calidad de la imagen a las mediciones obtenidas con todos los 512 sensores.

Lea también: Todo lo que debes saber del computador cuántico perfecto

En optoacústica, la calidad de la imagen aumenta no solo con el número de sensores utilizados, sino también cuando la información se captura desde tantas direcciones como sea posible: cuanto mayor sea el sector en el que los sensores están dispuestos alrededor del objeto, mejor será la calidad.

El algoritmo de aprendizaje automático desarrollado también tuvo éxito al mejorar la calidad de las imágenes que se grabaron desde un sector circunscrito. "Esto es particularmente importante para aplicaciones clínicas, ya que los pulsos láser no pueden penetrar en 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 las imágenes optoacústicas. Debido a que el método funciona en las imágenes reconstruidas, no en los datos brutos grabados, también es aplicable a otras técnicas de imagen. "Básicamente puede usar la misma metodología para producir imágenes de alta calidad a partir de cualquier tipo de datos dispersos", dice Razansky. Explica que los médicos a menudo se enfrentan al desafío de interpretar imágenes de baja calidad de los pacientes. "Mostramos que tales imágenes se pueden mejorar con métodos de IA, lo que facilita el 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. "Muchas personas piensan que la IA podría reemplazar la inteligencia humana. Esto es probablemente exagerado, al menos para la tecnología de IA actualmente disponible", dice. "No puede reemplazar la creatividad humana, pero puede liberarnos de algunas tareas laboriosas y repetitivas".

Lea también: África: Inteligencia artificial ayudará a predecir el estrés del cambio climático

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

Función reveladora 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 adecuadas para visualizar alteraciones anatómicas en el cuerpo. Para recibir información funcional adicional, por ejemplo, sobre el flujo sanguíneo o los cambios metabólicos, al paciente se le deben administrar agentes de contraste o trazadores radiactivos antes de la imagen.

En contraste, el método optoacústico puede 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 usar para el diagnóstico temprano. El contenido de lípidos en los vasos sanguíneos es otro marcador potencial de enfermedad, que puede ayudar a la detección temprana de enfermedades cardiovasculares.

Sin embargo, debe tenerse en cuenta que debido a que las ondas de luz utilizadas en las imágenes optoacústicas, a diferencia de otras ondas, no penetran completamente en el cuerpo humano, el método solo es adecuado para investigar tejidos a una profundidad de unos pocos centímetros debajo de la piel.

We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. More details…