Notícia

Algoritmos melhoram qualidade das imagens de ressonância magnética e reduzem tempo do exame

Divulgação, Universidade Georgetown

Fonte

Universidade Georgetown

Data

sexta-feira, 25 março 2022 16:10

Áreas

Algoritmos. Física Médica. Imagens e Diagnóstico. Modelagem Matemática. Ressonância Magnética.

A Dra. Maryam Yashtini, professora do Departamento de Matemática e Estatística da Universidade Georgetown, nos Estados Unidos, tem trabalhado no desenvolvimento de algoritmos para resolver problemas que surgem do processamento de imagens e aplicativos de aprendizado de máquina, como a reconstrução de imagens médicas e softwares de edição de imagens.

A técnica tradicional de ressonância magnética exige que o paciente permaneça imóvel por aproximadamente 40 minutos e pode precisar ser reiniciado se o paciente fizer o menor movimento. Esse tipo de ressonância magnética não apenas é desconfortável para o paciente, como também sua medição pode não ser precisa o suficiente.

Os algoritmos desenvolvidos pela Dra. Maryam Yashtini reduzem drasticamente não apenas o tempo necessário para uma ressonância magnética, mas também melhoram substancialmente a qualidade das imagens produzidas.

“As novas máquinas [de ressonância magnética] acessam dados parcialmente, e então os pixels de dados ausentes são reconstruídos e os artefatos são removidos posteriormente usando algoritmos de otimização que desenvolvi”, explicou a Dra. Yashitini. “Esse processo reduz o tempo de varredura para menos de cinco minutos, o que permite que os artefatos relacionados ao movimento sejam suprimidos. [O algoritmo] também reduz os efeitos colaterais e os custos para os pacientes, que é a parte mais legal.”

Algoritmos como esse também podem ser usados ​​para melhorar as aproximações de números em imagens como células biológicas, itens de linha de produção ou pessoas em multidões.

Aproximações de contagem são problemas complexos para programas de aprendizado de máquina resolverem, especialmente quando há vários objetos sobrepostos, objetos com texturas variadas ou quando não há um conjunto de dados grande o suficiente com limites precisos. Muitos programas de aprendizado de máquina que existem atualmente também são específicos para um objeto e exigem um processo de treinamento demorado.

Esse problema levou a professora Yashtini e colaboradores do Instituto de Tecnologia da Geórgia (Georgia Tech) a desenvolver um método de contagem altamente conveniente, sem geometria e sem treinamento, que funciona para vários objetos.

“Eficiência e precisão são cruciais – sempre que vejo um modelo de otimização vindo de aplicativos do mundo real, naturalmente começo a pensar em maneiras de resolvê-lo rapidamente, ou mais rápido do que os algoritmos existentes, ao mesmo tempo em que me certifico de que as metodologias propostas sejam apoiadas por análises teóricas e convergência garantida”, disse a Dra. Maryam Yashtini.

A pesquisa também tem aplicações em colorização de imagens (colorir imagens/vídeos em preto e branco), eliminação de ruídos e artefatos de imagens, fatoração de matrizes, reconstrução esparsa e regressões.

Acesse a notícia completa na página da Universidade Georgetown (em inglês).

Fonte: Shelby Roller, Universidade Georgetown. Imagem: Comparação de imagem subamostrada após a ressonância magnética, mostrando artefatos (à esquerda) e resultado reconstruído por algoritmo de otimização, chamado BOSVS (à direita). Fonte: Divulgação, Universidade Georgetown.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.