Reconstrucción mejorada de imágenes de resonancia magnética por modelos de Deep-learning
Las técnicas de obtención de imágenes del cuerpo humano por métodos indirectos y sin la necesidad de intervención quirúrgica para confirmar o descartar anormalidades en estructuras y tejidos; han tenido una gran relevancia dentro de la salud y estudios científicos. Pero como todo método, estos deben de ser perfeccionados para obtener el menor grado de imprecisión, error o incertidumbre. Y la resonancia magnética no esta libre de ellos.
Si bien, tiene una capacidad de obtener imágenes con gran precisión. Existen ciertas imperfecciones respecto a ciertas estructuras que pueden dar lugar a posibles pruebas inconclusas o malinterpretaciones. No obstante, la introducción de los sistemas inteligentes computacionales en el procesamiento de las imágenes permite mejorar tanto los estudios como los diagnósticos de la salud. Para este caso, se creo un modelo de “Deep-learning” para la corrección de diferenciación de estructuras durante el mapeo para la obtención de las imágenes.
¿Cómo se elaboró el modelo?
Para que el modelo pueda hacer esta tarea debe de tener un conocimiento previo de reconocimiento de estructuras, más específicamente, para los huesos. Aunque puede ser aplicado hacia cualquier tejido.
Para ello, el programa fue construido de manera que pueda codificar y decodificar la información de las imágenes usadas dentro de una red neuronal que pueda hacer una etiqueta para cada tejido grueso. Con el propósito de tener una precognición mas natural y para la segmentación apropiada de tejido musculoesquelético en la imagen. Dentro de la etapa de codificador, usa 13 capas de convolución aplicadas a la red neuronal que permite el reconocimiento de objetos; cada capa consiste en una convolución bidimensional con un conjunto de filtros fijados a la detección de características, normalización de la convergencia en la red neuronal y la rectificación linear por unidad de activación. A continuación, seguido de una máxima agrupación para reducir las dimensiones de los datos. De este modo, la red puede archivar con mayor eficiencia la compresión de datos mientras que provee una gran cantidad de imágenes invariantes.
El decodificador es aplicado después, es el proceso inverso y consiste en copiar la etapa del codificador pero de manera inversa. Que junto a la máxima agrupación de datos, son sustituidos por la media de valores para el proceso de muestreo que permite reconstruir la imagen. Una ultima capa es usada al final del proceso llamada Clasificador multiclase softmax para que cada píxel tenga una clase de probabilidad.
¿Cómo se realizó el entrenamiento?
Para el entrenamiento del modelo, imágenes sin procesar de resonancia magnética fueron ingresadas a la red junto con datos de referencia de cada tejido y del aire. El estudio implemento un modelo hibrido de análisis computacional con Python, MATLAB y C++ junto con un soporte computacional paralelo del GPU y una implantación Caffe finamente modificada.
El estudio fue desarrollado en cumplimiento con la regulación Health Insurance Portability and Accountability Act. Las pruebas y entrenamiento fueron hechos a partir del análisis de 40 sujetos con las imágenes obtenidas a partir de T1 de alta resolución espacial con contraste mejorado en tres dimensiones.
Para la obtención de los resultados se requirieron 34 horas para el entrenamiento del modelo y 0.5 minutos para el etiquetado. Sin embargo, el modelo fue capaz de representar con una gran precisión el cráneo y huesos en la imágenes de resonancia magnética; teniendo mejor desempeño que otros modelos de Deep-learning para estos propósitos. Demostrando una gran fiabilidad con una reconstrucción de imágenes con errores menor al 1% y que los modelos entrenados del Deep-learning a ciertos parámetros, son mas flexibles y consistentes. Además permiten mejores aplicaciones para futuros desarrollos.
Sin embargo, los autores remarcan que este estudio tiene muchas limitaciones, entre ellas, que las imágenes rediseñadas por el modelo fueron debido a que el modelo fue entrenado usando únicamente imágenes sin anormalidades. Pues casos como la demencia tienen patrones distintos, o la epilepsia, que pueden tener anormalidades en el cráneo o el cerebro.
Liu, F. Jang, H. Kijowski, R, Brandshaw, T. McMillan, A. B. (2020) Deep Learning MR Imaging-based attenuation correction for PET/MR imaging. Recuperado el 02/07/2021. Disponible en: https://pubs.rsna.org/doi/pdf/10.1148/radiol.2017170700
