Modelo de Aprendizado Profundo pode Corrigir o Movimento em Imagens de MRI do Cérebro

Picture of Maurício "o Estagiario"

Maurício "o Estagiario"

Textos otimizado com nossa IA

Published on novembro 26, 2023, 11:15 am

A ressonância magnética (MRI) é uma modalidade de imagem que oferece um contraste de tecido macio de alta qualidade em comparação com outras modalidades, como raios-X ou tomografias computadorizadas (CT scans). No entanto, a MRI é altamente sensível ao movimento, até mesmo os menores movimentos resultam em artefatos na imagem. Esses artefatos colocam os pacientes em risco de diagnósticos errados ou tratamento inadequado quando detalhes críticos são obscurecidos para o médico. Mas pesquisadores do MIT podem ter desenvolvido um modelo de aprendizado profundo capaz de corrigir o movimento em imagens de MRI do cérebro.

“O movimento é um problema comum na MRI”, explica Nalini Singh, uma estudante de doutorado afiliada à Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic), no Harvard-MIT Program in Health Sciences and Technology (HST), e autora principal do artigo. “É uma modalidade de imagem bastante lenta.”

As sessões de MRI podem durar 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 fotografia convencional, onde o movimento geralmente se manifesta como um borrão localizado, o movimento na MRI muitas vezes resulta em artefatos que podem corromper toda a imagem. Os pacientes podem ser anestesiados ou solicitados a limitar a respiração profunda para minimizar o movimento. No entanto, essas medidas muitas vezes não podem ser tomadas em populações particularmente suscetíveis ao movimento, incluindo crianças e pacientes com transtornos psiquiátricos.

O artigo, intitulado “Data Consistent Deep Rigid MRI Motion Correction”, foi recentemente premiado como a melhor apresentação oral na conferência Medical Imaging with Deep Learning (MIDL) em Nashville, Tennessee. O método constrói computacionalmente uma imagem livre de movimento a partir de dados corrompidos pelo movimento sem alterar nada no procedimento de varredura. “Nosso objetivo era combinar a modelagem baseada em física e o aprendizado profundo para obter o melhor dos dois mundos”, diz Singh.

A importância dessa abordagem combinada reside em garantir a consistência entre a imagem obtida e as medições reais daquilo que está sendo retratado, caso contrário, o modelo cria “alucinações” – imagens que parecem realistas, mas são fisicamente e espacialmente imprecisas, podendo piorar os resultados quando se trata de diagnósticos.

Obter uma MRI livre de artefatos de movimento, especialmente em pacientes com distúrbios neurológicos que causam movimentos involuntários, como Alzheimer ou Parkinson, beneficiaria não apenas os resultados do paciente. Um estudo do Departamento de Radiologia da Universidade de Washington estimou que o movimento afeta 15% das MRI cerebrais. O movimento em todos os tipos de MRI que resulta em varreduras repetidas ou sessões de imagem para obter imagens com qualidade suficiente para o diagnóstico resulta em cerca de $115.000 em gastos hospitalares por scanner anualmente.

Segundo Singh, trabalhos futuros podem explorar tipos mais sofisticados de movimento da cabeça, bem como movimentos em outras partes do corpo. Por exemplo, a MRI fetal sofre com um movimento rápido e imprevisível que não pode ser modelado apenas por simples translações e rotações.

“Essa linha de trabalho de Singh e colaboradores é o próximo passo na correção de movimento em MRI. Não apenas é uma excelente pesquisa, mas acredito que esses métodos serão usados em todos os tipos de casos clínicos: crianças e pessoas idosas que não conseguem ficar paradas no scanner, patologias que induzem ao movimento, estudos de tecidos móveis, até mesmo pacientes saudáveis se moverão no aparelho”, diz Daniel Moyer, professor assistente da Universidade Vanderbilt. “No futuro, acredito que provavelmente será prática comum processar imagens com algo diretamente derivado dessa pesquisa”.

Os co-autores deste artigo incluem Nalini Singh, Neel Dey, Malte Hoffmann, Bruce Fischl,

Compartilhe

Facebook
Twitter
LinkedIn
WhatsApp
Email
Print

Leia mais sobre este assunto:

Conteudize