Millora l'exploració de malalties neurològiques

Investigadors del grup Medical Image Analysis (MIA-LAB) de l'Institut ITACA de la Universitat Politècnica de València (UPV), en col·laboració amb centres nacionals i internacionals, han desenvolupat un mètode d'intel·ligència artificial capaç de sintetitzar imatges de ressonància magnètica (RM) d'alta qualitat sense necessitat de realitzar totes les seqüències habituals.

Aquest nou mètode permetrà realitzar exploracions de RM més ràpides, còmodes i econòmiques, contribuint així a millorar la detecció de malalties neurològiques. El següent repte de l'equip és estendre la tècnica a altres seqüències com FLAIR (Fluïu Attenuated Inversion Recovery), una variant de les imatges T2 que elimina el senyal del líquid cefalorraquidi i permet ressaltar amb gran claredat lesions associades a malalties com l'Alzheimer, l'esclerosi múltiple o els tumors cerebrals.

El treball, publicat en la revista Imaging Neuroscience, ha sigut liderat per Josep V. Manjón, Sergio Morell-Ortegay Marina Ruiz-Pérez.

Xarxa neuronal profunda en 3D

Aquest nou mètode desenvolupat en els laboratoris d'ITACA-UPV es basa en una xarxa neuronal profunda 3D que genera imatges T2 —molt sensibles a la presència d'aigua, la qual cosa permet detectar edemes, inflamacions o isquèmies— a partir d'imatges T1, que proporcionen una representació anatòmica detallada del cervell i permeten diferenciar amb gran nitidesa la substància blanca de la substància grisa. D'aquesta manera, les imatges T1 aporten l’ “estructura”, mentre que les T2 i FLAIR ressalten les possibles alteracions patològiques.

Per a això, el sistema integra informació anatòmica prèvia i empra tècniques d'aprenentatge semisupervisat, un enfocament d'intel·ligència artificial que combina un reduït nombre d'imatges mèdiques etiquetades per especialistes amb un gran volum d'imatges sense etiquetar, la qual cosa permet entrenar models potents sense necessitat de disposar de bases de dades completament anotades.

“En una exploració de RM, cada tipus d'imatge aporta informació distinta del cervell, però obtenir-les totes allarga la prova, encareix el procés i pot resultar incòmode. El nostre sistema permet generar les imatges que falten a partir de les ja adquirides, reduint temps i recursos”, explica Sergio Morell, autor principal de l'estudi.

Innovació i validació internacional

El mètode liderat pels investigadors de la UPV combina coneixements anatòmics reals, estratègies d'entrenament específiques i un enfocament semisupervisat que millora la seua capacitat de generalització en distints pacients i escàners. En proves de segmentació cerebral, va superar a les tècniques més avançades disponibles, fins i tot en casos complexos com a cervells amb lesions o gran variabilitat anatòmica. A més, genera els resultats en qüestió de segons, la qual cosa facilita la seua aplicació en entorns hospitalaris.

L'estudi ha comptat amb la participació de Marina Ruiz-Pérez, Marien Gadea, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Mariam de l'Església-Vayá, així com investigadors de la Universitat de Bordeus i el CNRS. Ha sigut finançat pel Ministeri de Ciència, Innovació i Universitats d'Espanya i l'Agència Nacional d'Investigació francesa.

Referència

Sergio Morell-Ortega, Marina Ruiz-Perez, Marien Gadea, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Mariam de l'Església-Vaja, Thomas Tourdias, Boris Mansencal, Pierrick Coupé, Josep V. Manjón. Robust deep MRI contrast synthesis using a prior-based and task-oriented 3D network. Imaging Neuroscience.

https://direct.mit.edu/imag/article/doi/10.1162/imag.a.116/132106/robust-deep-mri-contrast-synthesis-using-a-prior