La investigación encuentra la eficacia de la inteligencia artificial en la eliminación de artefactos de resonancia magnética

Crédito: Pixabay/CC0 Dominio público

Pew-Thian Yap, Ph.D., profesor asociado de Radiología y director del Grupo de Análisis de Imágenes de la UNC (BRIC), es el autor principal de los resultados experimentales publicados en Nature Machine Intelligence que demuestran el uso efectivo de una red neuronal de corrección de artefactos retrospectiva (RAC) aprendida con datos no emparejados para desenredar y eliminar artefactos de imagen no deseados.

La imagen por resonancia magnética (MRI) es susceptible a artefactos causados por el movimiento que pueden inutilizar las imágenes y causar pérdidas financieras en los estudios de imágenes. En el Centro de imágenes de investigación biomédica (BRIC) de la UNC, el director principal de análisis de imágenes Pew-Thian Yap, Ph.D. lidera un equipo que explora el uso del aprendizaje profundo para identificar imágenes de baja calidad con una precisión casi humana en milisegundos. Su trabajo de investigación tiene como objetivo aumentar la toma de decisiones oportunas en la repetición de la resonancia magnética.

La corrección retrospectiva de artefactos (RAC) es una técnica cada vez más investigada en la resonancia magnética para la corrección de artefactos inducidos por el movimiento. En la edición del 19 de enero de 2021 de Nature Machine Intelligence, el equipo de investigación del Dr. Yap publicó resultados experimentales con datos del Proyecto UNC/UMN Baby Connectome que demostraron el uso efectivo de una red neuronal RAC aprendida con datos no emparejados para desenredar y eliminar artefactos de imagen no deseados. Sus hallazgos también revelaron la capacidad de la red RAC para retener detalles anatómicos en imágenes de RM con diferentes contrastes, mejorar la calidad posterior a la adquisición de imágenes de RM y mejorar la usabilidad de la imagen.

El impacto de este Instituto Nacional de Imágenes Biomédicas y Bioingeniería (NIBIB) estudio de imágenes aplicadas evidencia una corrección de movimiento superior a través de técnicas de inteligencia artificial para RAC. Esta investigación demuestra que se justifica un mayor estudio de técnicas confiables de inteligencia artificial para RAC para beneficiar la corrección y reconstrucción de imágenes en futuros estudios de IRM.

Dr. Yap señaló: «El RAC impulsado por IA puede recuperar innumerables imágenes con artefactos de movimiento para aumentar significativamente la cantidad de imágenes utilizables y reducir las pérdidas financieras para los estudios de imágenes».

Explore más

Definición de imágenes clínicas con IA y tintes de contraste actualmente aprobados Más información: Siyuan Liu et al. Aprendizaje de la eliminación de artefactos de resonancia magnética con datos no emparejados, Nature Machine Intelligence (2021). DOI: 10.1038/s42256-020-00270-2 Información de la revista: Nature Machine Intelligence

Proporcionado por la Facultad de Medicina de la Universidad de Carolina del Norte en Chapel Hill Cita: Investigación encuentra la eficacia de la inteligencia artificial en la eliminación de artefactos de resonancia magnética (28 de enero de 2021) consultado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-01-efficacy-artificial-intelligence-mri-artefact.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.