Notícia

Pesquisadores combinam aprendizado profundo e física para corrigir imagens de ressonância magnética corrompidas por movimento

Divulgação, MIT (com adaptação)

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

terça-feira, 22 agosto 2023 13:45

Áreas

Engenharia Biomédica. Física Médica. Imagens e Diagnóstico. Informática Médica. Inteligência Artificial. Medicina. Modelagem Matemática. Processamento de Imagens. Ressonância Magnética.

Em comparação com outras modalidades de imagem, como raios X ou tomografia computadorizada, a ressonância magnética fornece contraste de tecidos moles de alta qualidade. Infelizmente, a ressonância magnética é altamente sensível ao movimento: mesmo os menores movimentos resultando em artefatos de imagem. Esses artefatos colocam os pacientes em risco de diagnósticos errados ou tratamento inadequado quando detalhes críticos são ocultados ao médico. Mas pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, podem ter desenvolvido um modelo de aprendizagem profunda capaz de corrigir movimentos em ressonâncias magnéticas cerebrais.

“O movimento é um problema comum na ressonância magnética”, explicou Nalini Singh, doutoranda no Programa Harvard-MIT em Ciências e Tecnologia da Saúde (HST) e principal autora do estudo. “É uma modalidade de imagem bastante lenta.”

As sessões de ressonância magnética podem levar de alguns minutos a uma hora, dependendo do tipo de imagens necessárias. Mesmo durante as varreduras mais curtas, pequenos movimentos podem ter efeitos dramáticos na imagem resultante. Ao contrário da imagem da câmera, onde o movimento geralmente se manifesta como um desfoque localizado, o movimento na ressonância magnética geralmente resulta em artefatos que podem corromper toda a imagem. Os pacientes podem ser anestesiados ou solicitados a limitar a respiração profunda para minimizar os movimentos. No entanto, essas medidas muitas vezes não podem ser tomadas em populações particularmente suscetíveis ao movimento, incluindo crianças e pacientes com transtornos psiquiátricos.

O novo método constrói computacionalmente uma imagem livre de movimento a partir de dados corrompidos por movimento, sem alterar nada no procedimento de digitalização. “Nosso objetivo era combinar modelagem baseada em física e aprendizado profundo para obter o melhor dos dois mundos”, disse Nalini Singh.

A importância dessa abordagem combinada reside em garantir a consistência entre a saída da imagem e as medições reais do que está sendo representado, caso contrário, o modelo criaria ‘alucinações’ – imagens que parecem realistas, mas são física e espacialmente imprecisas, potencialmente piorando os resultados quando se trata de diagnósticos.

A aquisição de uma ressonância magnética sem artefatos de movimento, particularmente de pacientes com distúrbios neurológicos que causam movimento involuntário, como Alzheimer ou doença de Parkinson, beneficiaria mais do que apenas os resultados do paciente. Um estudo de 2015 do Departamento de Radiologia da Universidade de Washington estimou que o movimento afeta 15% das ressonâncias magnéticas do cérebro.

De acordo com Nalini Singh, trabalhos futuros podem explorar tipos mais sofisticados de movimento da cabeça, bem como movimentos em outras partes do corpo. Por exemplo, a ressonância magnética fetal sofre de movimentos rápidos e imprevisíveis que não podem ser modelados apenas por translações e rotações simples.

“Esta linha de trabalho de [Nalini] Singh e colegas é o próximo passo na correção de movimento de ressonância magnética. Não é apenas um excelente trabalho de pesquisa, mas acredito que esses métodos serão usados em todos os tipos de casos clínicos: crianças e idosos que não conseguem ficar parados no scanner, patologias que induzem movimento, estudos de tecidos em movimento, ou até mesmo pacientes saudáveis se movendo”, disse o Dr. Daniel Moyer, professor da Universidade Vanderbilt, também nos Estados Unidos. “No futuro, acho que provavelmente será uma prática padrão processar imagens com algo proveniente diretamente desta pesquisa”, concluiu o professor Daniel Moyer.

A publicação com os resultados do estudo foi recentemente premiado como melhor apresentação oral na conferência Medical Imaging with Deep Learning (MIDL) em Nashville, Tennessee.

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Alex Ouyang, Abdul Latif Jameel Clinic for Machine Learning in Health/MIT. Imagem: à esquerda, imagem mostra ressonância magnética do cérebro humano corrompida por artefatos de movimento, enquanto a imagem à direita mostra a mesma imagem com correção de movimento aplicada por modelo de aprendizagem profunda desenvolvido por pesquisadores do MIT. Fonte: Divulgação, MIT (com adaptação).

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.