Published on novembro 26, 2023, 12:44 pm
As imagens de ressonância magnética (MRI, na sigla em inglês) fornecem um contraste de tecido mole de alta qualidade em comparação com outras modalidades de imagem, como raios-X ou tomografias computadorizadas (TC). No entanto, a MRI é altamente sensível ao movimento, mesmo os menores movimentos resultando em artefatos na imagem. Esses artefatos colocam os pacientes em risco de diagnósticos incorretos ou tratamentos inadequados 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 MRI cerebral.
“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 programa 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 variar desde alguns minutos até 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 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 especialmente suscetíveis ao movimento, como crianças e pacientes com transtornos psiquiátricos.
O artigo, intitulado “Data Consistent Deep Rigid MRI Motion Correction”, foi recentemente premiado como 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 sobre o procedimento de escaneamento. “Nosso objetivo era combinar modelagem baseada em física e aprendizado profundo para obter o melhor dos dois mundos”, diz Singh.
A importância dessa abordagem combinada reside em garantir a consistência entre a saída da imagem e as medições reais do que está sendo retratado, caso contrário, o modelo cria “alucinações” – imagens que parecem realistas, mas são fisicamente e espacialmente imprecisas, potencialmente piorando os resultados quando se trata de diagnósticos.
Obter uma MRI livre de artefatos de movimento, especialmente de pacientes com distúrbios neurológicos que causam movimentos involuntários, como doença de Alzheimer ou Parkinson, beneficiaria mais do que apenas os resultados dos pacientes. Um estudo do Departamento de Radiologia da Universidade de Washington estimou que o movimento afeta 15% das MRIs cerebrais. O movimento em todos os tipos de MRI que leva a varreduras repetidas ou sessões de imagem para obter imagens com qualidade suficiente para diagnóstico resulta em cerca de US$115.000 em despesas hospitalares por scanner anualmente.
De acordo com Singh, trabalhos futuros poderiam explorar tipos mais sofisticados de movimentos da cabeça, bem como o movimento 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 companhia é o próximo passo na correção de movimento na MRI. Não apenas é 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 ao movimento, estudos de tecidos em movimento, até mesmo pacientes saudáveis se moverão dentro do aparelho”, diz Daniel Moyer, professor assistente da Universidade Vanderbilt. “No futuro, acredito que provavelmente será prática padrão processar imagens com algo diretamente descendente dessa pesquisa.”
Os coautores deste artigo incluem Nalini Singh, Neel Dey, Malte
