El aprendizaje profundo está listo para mejorar las imágenes del cáncer de mama
Los investigadores desarrollaron el algoritmo de aprendizaje profundo Z-Net para la reconstrucción en tiempo real de imágenes que combinan datos espectrales y de resonancia magnética. Esto podría permitir una mejor detección y diagnóstico del cáncer de mama. Crédito: Keith Paulsen, Dartmouth College
Los investigadores han desarrollado un nuevo método de reconstrucción de imágenes que podría contribuir a una mejor detección del cáncer de mama. El algoritmo de aprendizaje profundo supera un obstáculo importante en las imágenes multimodales al permitir que las imágenes se recuperen en tiempo real.
En la revista Optica, los investigadores describieron el nuevo algoritmo, conocido como Z-Net, y cómo funciona con una plataforma de imágenes que combina información espectral óptica con imágenes de resonancia magnética (IRM) sin contraste para mejorar la detección del cáncer de mama.
«La tomografía espectral de infrarrojo cercano (NIRST) y la plataforma de imágenes por resonancia magnética que desarrollamos se han mostrado prometedoras, pero el tiempo y el esfuerzo involucrados en la reconstrucción de imágenes han impedido que se traduzca en el flujo de trabajo clínico diario. ”, dijo Keith Paulsen, quien dirigió el equipo de investigación de Dartmouth College. «Por lo tanto, diseñamos un algoritmo de aprendizaje profundo que incorpora datos de imágenes anatómicas de MRI para guiar la formación de imágenes NIRST sin requerir un modelo complejo de propagación de la luz en el tejido».
Paulsen y sus colegas de la Universidad Tecnológica de Beijing y la Universidad de Birmingham informan que su nuevo algoritmo puede distinguir entre tumores malignos y benignos utilizando datos de imágenes NIRST guiados por resonancia magnética de exámenes de mama de pacientes.
«Z-Net podría permitir que NIRST se convierta en un complemento eficiente y eficaz para la resonancia magnética sin contraste para la detección y el diagnóstico del cáncer de mama porque permite recuperar imágenes NIRST guiadas por resonancia magnética casi en tiempo real», dijo Paulsen. «También se puede adaptar fácilmente para su uso con otros tipos de cáncer y enfermedades para los que se dispone de datos de imágenes multimodales».
Aplicación del aprendizaje profundo
Hoy en día, el contraste dinámico ) La resonancia magnética es reconocida como el método de detección de cáncer de mama más sensible. Sin embargo, la resonancia magnética DCE requiere la inyección intravenosa de un agente de contraste y tiene una tasa sustancial de falsos positivos. Aunque la NIRST guiada por resonancia magnética sin contraste ofrece una alternativa que no requiere inyección de contraste ni radiación ionizante, la reconstrucción de las imágenes combinadas requiere modelos complicados de propagación de la luz, así como un análisis de imágenes de resonancia magnética que requiere mucho tiempo.
Los investigadores utilizaron Aprendizaje profundo para acelerar el proceso de reconstrucción de imágenes. El aprendizaje profundo es un enfoque de aprendizaje automático que crea conexiones entre piezas de información de una manera similar a cómo funciona el cerebro humano, lo que permite a los investigadores entrenar su algoritmo para reconocer patrones y relaciones complejas.
«The Z -Net algoritmo reduce el tiempo necesario para generar una nueva imagen a unos pocos segundos», dijo Jinchao Feng, autor principal del estudio. «Además, la red de aprendizaje automático que desarrollamos se puede entrenar con datos generados por simulaciones por computadora en lugar de necesitar imágenes de exámenes de pacientes reales, que tardan mucho en recopilarse y procesarse en información de entrenamiento».
Pruebas clínicas
Después de entrenar el algoritmo, los investigadores usaron datos simulados para confirmar que la calidad de las imágenes reconstruidas no se degradó al eliminar el modelo de propagación de luz difusa o al no segmentar las imágenes de resonancia magnética.
Ellos luego aplicó el nuevo algoritmo prospectivamente a los datos NIRST guiados por resonancia magnética recopilados de dos exámenes de imágenes mamarias, uno que condujo a un diagnóstico de cáncer confirmado por biopsia, el otro resultó en una anomalía benigna. El nuevo algoritmo generó imágenes que podrían diferenciar entre los casos malignos y benignos.
«Además de mostrar el potencial de nuestro enfoque, los resultados también demuestran que cuando los datos in vivo son insuficientes o no están disponibles para el entrenamiento un algoritmo de aprendizaje profundo, una gran cantidad de datos de simulación pueden funcionar», dijo Shudong Jiang, coautor del estudio y pionero en el desarrollo simultáneo de tecnología de resonancia magnética e imágenes ópticas del seno.
Los investigadores están trabajando para adaptar el nuevo método de reconstrucción de imágenes para trabajar con datos 3D y planea probarlo en un ensayo clínico más grande en un futuro próximo.
Explore más
Imágenes a través de difusores aleatorios al instante sin una computadora Más información: Jinchao Feng et al, Deep Learning based Reconstruction of MRI Guided Near Infrared Spec-tral Tomography Avoid the Limitations of Forward Modelado Difuso, Optica (2022). DOI: 10.1364/OPTICA.446576 Información del diario: Optica
Proporcionado por The Optical Society Cita: El aprendizaje profundo está preparado para mejorar las imágenes del cáncer de mama (24 de febrero de 2022) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-deep-poised-breast-cancer-imaging.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.