Usando redes neurais treinadas de forma inteligente, os pesquisadores da TU Graz conseguiram gerar imagens precisas em tempo real do coração batendo a partir de apenas alguns dados de medição de ressonância magnética. Outras aplicações de ressonância magnética também podem ser aceleradas usando este procedimento.
Imagens médicas usando ressonância magnética (MRI) consomem muito tempo, pois uma imagem precisa ser compilada a partir de dados de muitas medições individuais. Graças ao uso do aprendizado de máquina, a geração de imagens também é possível com menos dados de medição de ressonância magnética, o que economiza tempo e custos. No entanto, o pré-requisito para isso são imagens perfeitas que possam ser usadas para treinar os modelos de IA. Essas imagens de treinamento perfeitas não existem para determinadas aplicações, como ressonância magnética em tempo real (imagem em movimento), pois essas imagens são sempre um tanto desfocadas. Uma equipe de pesquisa internacional liderada por Martin Uecker e Moritz Blumenthal, do Instituto de Imagens Biomédicas da Universidade de Tecnologia de Graz (TU Graz), conseguiu agora gerar imagens precisas de ressonância magnética ao vivo do coração batendo, mesmo sem essas imagens de treinamento e com muito poucos dados de ressonância magnética. com a ajuda de redes neurais bem treinadas. Graças a essas melhorias, a ressonância magnética em tempo real poderá ser usada com mais frequência na prática no futuro.
Calibração de imagens por meio de dados retidos
Martin Uecker e Moritz Blumenthal usaram métodos de aprendizagem auto-supervisionados para treinar seu modelo de aprendizado de máquina para imagens de ressonância magnética. A base para treinar o modelo não são imagens perfeitas pré-curadas, mas um subconjunto dos dados iniciais a partir dos quais o modelo reconstruirá as imagens. Moritz Blumenthal explica assim: “Dividimos os dados de medição fornecidos pelo dispositivo de ressonância magnética em duas partes. A partir da primeira, maior parte de dados, nosso modelo de aprendizado de máquina reconstrói a imagem. Em seguida, ele tenta calcular a segunda parte dos dados de medição ocultado dele com base na imagem.” Se o sistema não consegue fazer isso ou o faz de maneira inadequada – de acordo com a lógica subjacente – a imagem reconstruída anteriormente deve estar incorreta. O modelo é atualizado, cria uma nova variante de imagem melhorada e tenta calcular novamente a segunda porção de dados. Este processo é executado por várias rodadas até que o resultado seja consistente. Neste processo de treinamento, o sistema aprende, a partir de um grande número dessas reconstruções, como deveriam ser as boas imagens de ressonância magnética. Posteriormente, durante a aplicação, o modelo pode calcular diretamente uma boa imagem.
Este procedimento pode tornar muitas aplicações de ressonância magnética mais rápidas e baratas
“Nosso processo está pronto para aplicação”, diz Martin Uecker, “mesmo que provavelmente demore um pouco até que seja realmente usado na prática”. O método pode ser usado para muitas outras aplicações de ressonância magnética para torná-las mais rápidas e, portanto, mais baratas. Isto inclui ressonância magnética quantitativa, por exemplo, na qual os parâmetros físicos do tecido são medidos e quantificados com precisão. “Isso permite que os radiologistas acessem dados precisos para diagnósticos, em vez de ter que interpretar imagens com base nas diferenças de brilho usando sua experiência profissional”, explica Martin Uecker. “Até agora, no entanto, as medições quantitativas de ressonância magnética muitas vezes demoravam muito tempo. Com o nosso modelo de aprendizado de máquina, conseguimos acelerar consideravelmente essas medições sem qualquer perda de qualidade.”
Os resultados da pesquisa, publicados recentemente na revista Magnetic Resonance in Medicine, são resultado de uma colaboração internacional e interdisciplinar do Institute of Biomedical Imaging. Os participantes incluíram Christina Unterberg (cardiologista do Centro Médico Universitário de Göttingen), Markus Haltmeier (matemático da Universidade de Innsbruck), Xiaoqing Wang (pesquisador de ressonância magnética na Harvard Medical School) e Chiara Fantinato (estudante Erasmus da Itália). Os algoritmos e os dados de ressonância magnética estão disponíveis gratuitamente para que outros pesquisadores possam reproduzir os resultados diretamente e desenvolver o novo método.
Este tópico de pesquisa está ancorado nas áreas de especialização Informação, Comunicação e Computação e Humano e Biotecnologia, duas áreas estratégicas de foco de pesquisa na TU Graz.
