Un nuevo enfoque de la inteligencia artificial para la reconstrucción de imágenes, llamada AUTOMAP, puede dar más calidad a las imágenes incluso cuando se tenga menos información en ellas, reduciendo así las dosis de radiación que se requieren en la tomografía y en los rayos X en general.La imagenología médica requiere cada vez más de imágenes de mayor resolución y precisión, para así hacer diagnósticos más precisos. AUTOMAP es un importante paso en este sentido.
Hoy en día las radiografías, las tomografías, o cualquier otro estudio de las partes internas del cuerpo se basa muchas veces en la interpretación que el médico tratante puede dar. De hecho, es claro que los médicos, al trabajar continuamente con un número importante de radiografías y tomografías, puede adquirir una notable experiencia cuando se trata de interpretar lo que las imágenes muestran. Sin embargo, se sabe que mejorar las imágenes también depende de la dosis de radiación que se le dé al paciente cuando se hace un estudio. Esto ocurre con la tomografía computarizada, la PET (positron emission tomography) e incluso con los largos tiempos para un estudio MRI (magnetic resonance imaging).
A partir de esta situación, los investigadores del Centro para Imágenes Biomédicas Athinoula A. Martinos, del Hospital General de Massachussetts (MGH por sus siglas en inglés); han desarrollado una nueva técnica basada en la Inteligencia Artificial y en el aprendizaje de máquina, permitiendo adquirir imágenes de más alta calidad sin tener que recolectar más datos o dar dosis más altas de radiación a los pacientes. La técnica se describe en un artículo publicado en Nature, la cual denominaron AUTOMAP (automated transform by manifold approximation).
«Una parte esencia de las imágenes biomédicas es la reconstrucción de las mismas, las cuales se transforman a partir de un número de datos que llegan del escáner a la imagen y que los radiólogos deben evaluar», doce Bo Zhu, PhD e investigador «fellow» en el Centro Martinos del MGH y uno de los autores del articulo. «El enfoque convencional a la reconstrucción de imágenes usando una cadena de módulos de procesamiento de señales que requieren el asignar valores «a mano» para obtener la mejor imagen, tiene un número importante de dificultades porque además, puede ser que en los datos haya ruido. Así introducimos un nuevo paradigma en donde el algoritmo de reconstrucción de imágenes correcto se determina automáticamente por una inteligencia artificial de aprendizaje profundo».
«Con AUTOMAP le enseñamos a los sistemas de imágenes a «ver» la manera en la que los humanos ven después del nacimiento, no a través directamente de programar el cerebro, sino que promoviendo entonces las conexiones neuronales para adaptar orgánicamente un entrenamiento repetido sobre ejemplos del mundo real», explica Zhu. «Este enfoque nos permite a nuestros sistemas de imágenes, a automáticamente encontrar las mejores estrategias computacionales para producir imágenes claras, precisas, en una amplia variedad de escenarios de imágenes».
La técnica nueva representa un paso importante en el terreno de las imágenes biomédicas. En su desarrollo, los investigadores sacaron ventaja de muchos de los trabajos en redes neuronales que ahora se han puesto en boga y que se usan en modelos de Inteligencia Artificial. Cabe decir que además, los avances en el hardware, como las GPUs (graphical processing units), han ayudado significativamente a que los nuevos modelos hagan una mejor reconstrucción de las imágenes, particularmente en AUTOMAP, que requiere una fuerte cantidad de cálculos, especialmente cuando se entrena el algoritmo. Por otra parte, hay que reconocer que un factor importante en esto es que ya hay un número grande de datos (big data), el cual puede ser usado para entrenar modelos neuronales como los que produce AUTOMAP. Zhu indica que esto simplemente era imposible de hacer hace 5 años.
AUTOMAP ofrece un número interesante de beneficios para el tratamiento clínico, más allá de producir mejores imágenes en menos tiempo o con menos dosis de rayos X. Debido a la velocidad de proceso, se pueden tomar decisiones en tiempo real sobre los protocolos de las imágenes mientras que el paciente está dentro del escáner.
«Como AUTOMAP está implementada como una red neuronal hacia adelante, la velocidad de reconstrucción de las imágenes es casi instantánea, vamos, solamente décimas de milisegundos», dice Matt Rosen, PhD, director del laboratorio MRI de bajo campo y de Medios Hiperpolarizada, y co-director del Centro de Aprendizaje de Máquinas en el Centro Martinos en el MGH. «Algunos tipos de escaneo actualmente requieren procesos que llevan mucho tiempo de cálculo de las computadoras para poder reconstruir las imágenes. En estos casos, la retroalimentación inmediata no está disponible durante el inicio del proceso. AUTOMAP puede dar una reconstrucción instantánea y dar información sobre el proceso realizado para así prevenir incluso que se tengan que repetir estudios», indica.
Cabe señalar que esta técnica podría ayudar en otros temas de la IA y del aprendizaje de máquinas, por ejemplo en el diagnóstico computarizado. Debido a que estos sistemas requieren imágenes de alta calidad para hacer diagnósticos precisos, AUTOMAP podría jugar un rol importante en el uso clínico de los años por venir.
«Nuestro enfoque de IA está mostrando notables mejoras en la precisión y en la reducción del ruido por lo que podemos pensar en un amplio rango de aplicaciones», dice Rosen. «Estamos muy emocionados por tener la oportunidad de hacer que el espacio clínica use AUTOMAP para trabajar con computadoras poco costosas que contengan tarjetas con GPUs, para así mejorar la imagenología clínica y los resultados que esta presenta», concluyó Rosen.