Imágenes clínicas más nítidas con IA y tintes de contraste actualmente aprobados
Una imagen de la pata trasera de un ratón registrada en NIR-IIa (emisión en el rango de 1000-1300 nm) cuando un fluoróforo orgánico estaba en circulación en el ratón. Crédito: Zhuoran Ma y Hongjie Dai.
Un nuevo método para analizar imágenes médicas de tejidos profundos utiliza redes neuronales artificiales para reducir el ruido de fondo, lo que brinda a los médicos una imagen más clara y nítida de los tejidos profundos que la disponible actualmente.
La imagen por fluorescencia del infrarrojo cercano (NIR) es una herramienta que se utiliza para visualizar las estructuras vasculares y los sistemas linfáticos en los tejidos. Para sujetos vivos, el proceso se llama NIR-I o NIR nivel uno. Funciona disparando protones individuales en un área del cuerpo que contiene un tinte de contraste biocompatible, generalmente verde de indocianina (ICG), que luego emite fluorescencia y revela la estructura habitada por el tinte. Esto es útil en el control del crecimiento tumoral, por ejemplo, o cuando se diagnostican varios tipos de cáncer.
Para las imágenes de tejidos no vivos, una sonda más profunda llamada NIR-IIb utiliza materiales de contraste que contienen puntos cuánticos de PbS/CdS. NIR-IIb puede lograr una imagen mucho más clara, pero esos agentes de contraste no están aprobados para uso humano. El objetivo de esta investigación, realizada por Zhuoran Ma y un equipo de investigadores del laboratorio de Stanford del Dr. Hongjie Dai, fue lograr una claridad de imagen de NIR-IIB utilizando solo agentes aprobados para procedimientos NIR-I, o seguros para humanos, Agentes de contraste aprobados por la FDA.
Para reducir la dispersión de la luz en los tintes biocompatibles que causan poca profundidad de imagen, bajo contraste y poca claridad en las imágenes NIR-I, los investigadores entrenaron una red neuronal artificial para eliminar el ruido, aumentar el contraste , y finalmente lograr «una imagen que se asemeje mucho a la verdad básica». Para ello, la red neuronal artificial recibió 2800 imágenes in vivo de ratones; las imágenes NIR-I se alimentaron a través de la red y luego los investigadores las compararon con las imágenes NIR-IIb de los mismos ratones. A través de una serie de mejoras, la red neuronal artificial pudo mejorar una imagen NIR-I al 85 % de la calidad de una imagen NIR-IIb.
Una imagen generada a partir de la imagen NIR-IIa por una red neutral/artificial inteligencia. Crédito: Zhuoran Ma y Hongjie Dai.
Adoptar este método de refinamiento de imágenes impactaría en los diagnósticos que dependen de imágenes, particularmente para enfermedades de tejidos profundos como el cáncer de mama. Las herramientas actuales permiten obtener imágenes claras a meros nanómetros por debajo de la superficie antes de que la dispersión comience a desenfocar y distorsionar las estructuras. Las cirugías guiadas por imágenes también podrían ser más simples de realizar y más exitosas en general si las imágenes permitieran un mayor contraste y claridad en el tejido vivo profundo.
Una imagen de la pata trasera de un ratón registrada en NIR-Ib (emisión en el rango de 1500-1700 nm) cuando un fluoróforo de punto cuántico estaba en circulación en el ratón. La imagen se puede considerar como la imagen de la ‘verdad fundamental’. Crédito: Zhuoran Ma y Hongjie Dai.
El estudio se publicó en Proceedings of the National Academy of Sciences en diciembre.
Explore más
Nueva técnica de extracción de señales ayuda a la detección del cáncer de mama Más información: Zhuoran Ma et al. Aprendizaje profundo para imágenes de infrarrojo cercano in vivo, Actas de la Academia Nacional de Ciencias (2020). DOI: 10.1073/pnas.2021446118 Información de la revista: Actas de la Academia Nacional de Ciencias
2021 Science X Network
Cita: Sharpening clínico imágenes con IA y tintes de contraste aprobados actualmente (14 de enero de 2021) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-01-sharpening-clinical-imaging-ai-contrast.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.