Los investigadores desarrollaron el algoritmo de aprendizaje profundo Z-Net para la reconstrucci\u00f3n en tiempo real de im\u00e1genes que combinan datos espectrales y de resonancia magn\u00e9tica. Esto podr\u00eda permitir una mejor detecci\u00f3n y diagn\u00f3stico del c\u00e1ncer de mama. Cr\u00e9dito: Keith Paulsen, Dartmouth College <\/p>\n
Los investigadores han desarrollado un nuevo m\u00e9todo de reconstrucci\u00f3n de im\u00e1genes que podr\u00eda contribuir a una mejor detecci\u00f3n del c\u00e1ncer de mama. El algoritmo de aprendizaje profundo supera un obst\u00e1culo importante en las im\u00e1genes multimodales al permitir que las im\u00e1genes se recuperen en tiempo real. <\/p>\n
En la revista Optica, los investigadores describieron el nuevo algoritmo, conocido como Z-Net, y c\u00f3mo funciona con una plataforma de im\u00e1genes que combina informaci\u00f3n espectral \u00f3ptica con im\u00e1genes de resonancia magn\u00e9tica (IRM) sin contraste para mejorar la detecci\u00f3n del c\u00e1ncer de mama. <\/p>\n
\u00abLa tomograf\u00eda espectral de infrarrojo cercano (NIRST) y la plataforma de im\u00e1genes por resonancia magn\u00e9tica que desarrollamos se han mostrado prometedoras, pero el tiempo y el esfuerzo involucrados en la reconstrucci\u00f3n de im\u00e1genes han impedido que se traduzca en el flujo de trabajo cl\u00ednico diario. \u201d, dijo Keith Paulsen, quien dirigi\u00f3 el equipo de investigaci\u00f3n de Dartmouth College. \u00abPor lo tanto, dise\u00f1amos un algoritmo de aprendizaje profundo que incorpora datos de im\u00e1genes anat\u00f3micas de MRI para guiar la formaci\u00f3n de im\u00e1genes NIRST sin requerir un modelo complejo de propagaci\u00f3n de la luz en el tejido\u00bb. <\/p>\n
Paulsen y sus colegas de la Universidad Tecnol\u00f3gica de Beijing y la Universidad de Birmingham informan que su nuevo algoritmo puede distinguir entre tumores malignos y benignos utilizando datos de im\u00e1genes NIRST guiados por resonancia magn\u00e9tica de ex\u00e1menes de mama de pacientes.<\/p>\n
\u00abZ-Net podr\u00eda permitir que NIRST se convierta en un complemento eficiente y eficaz para la resonancia magn\u00e9tica sin contraste para la detecci\u00f3n y el diagn\u00f3stico del c\u00e1ncer de mama porque permite recuperar im\u00e1genes NIRST guiadas por resonancia magn\u00e9tica casi en tiempo real\u00bb, dijo Paulsen. \u00abTambi\u00e9n se puede adaptar f\u00e1cilmente para su uso con otros tipos de c\u00e1ncer y enfermedades para los que se dispone de datos de im\u00e1genes multimodales\u00bb.<\/p>\n
Aplicaci\u00f3n del aprendizaje profundo<\/p>\n
Hoy en d\u00eda, el contraste din\u00e1mico ) La resonancia magn\u00e9tica es reconocida como el m\u00e9todo de detecci\u00f3n de c\u00e1ncer de mama m\u00e1s sensible. Sin embargo, la resonancia magn\u00e9tica DCE requiere la inyecci\u00f3n intravenosa de un agente de contraste y tiene una tasa sustancial de falsos positivos. Aunque la NIRST guiada por resonancia magn\u00e9tica sin contraste ofrece una alternativa que no requiere inyecci\u00f3n de contraste ni radiaci\u00f3n ionizante, la reconstrucci\u00f3n de las im\u00e1genes combinadas requiere modelos complicados de propagaci\u00f3n de la luz, as\u00ed como un an\u00e1lisis de im\u00e1genes de resonancia magn\u00e9tica que requiere mucho tiempo.<\/p>\n
Los investigadores utilizaron Aprendizaje profundo para acelerar el proceso de reconstrucci\u00f3n de im\u00e1genes. El aprendizaje profundo es un enfoque de aprendizaje autom\u00e1tico que crea conexiones entre piezas de informaci\u00f3n de una manera similar a c\u00f3mo funciona el cerebro humano, lo que permite a los investigadores entrenar su algoritmo para reconocer patrones y relaciones complejas.<\/p>\n
\u00abThe Z -Net algoritmo reduce el tiempo necesario para generar una nueva imagen a unos pocos segundos\u00bb, dijo Jinchao Feng, autor principal del estudio. \u00abAdem\u00e1s, la red de aprendizaje autom\u00e1tico que desarrollamos se puede entrenar con datos generados por simulaciones por computadora en lugar de necesitar im\u00e1genes de ex\u00e1menes de pacientes reales, que tardan mucho en recopilarse y procesarse en informaci\u00f3n de entrenamiento\u00bb.<\/p>\n
Pruebas cl\u00ednicas <\/p>\n
Despu\u00e9s de entrenar el algoritmo, los investigadores usaron datos simulados para confirmar que la calidad de las im\u00e1genes reconstruidas no se degrad\u00f3 al eliminar el modelo de propagaci\u00f3n de luz difusa o al no segmentar las im\u00e1genes de resonancia magn\u00e9tica.<\/p>\n
Ellos luego aplic\u00f3 el nuevo algoritmo prospectivamente a los datos NIRST guiados por resonancia magn\u00e9tica recopilados de dos ex\u00e1menes de im\u00e1genes mamarias, uno que condujo a un diagn\u00f3stico de c\u00e1ncer confirmado por biopsia, el otro result\u00f3 en una anomal\u00eda benigna. El nuevo algoritmo gener\u00f3 im\u00e1genes que podr\u00edan diferenciar entre los casos malignos y benignos.<\/p>\n
\u00abAdem\u00e1s de mostrar el potencial de nuestro enfoque, los resultados tambi\u00e9n demuestran que cuando los datos in vivo son insuficientes o no est\u00e1n disponibles para el entrenamiento un algoritmo de aprendizaje profundo, una gran cantidad de datos de simulaci\u00f3n pueden funcionar\u00bb, dijo Shudong Jiang, coautor del estudio y pionero en el desarrollo simult\u00e1neo de tecnolog\u00eda de resonancia magn\u00e9tica e im\u00e1genes \u00f3pticas del seno.<\/p>\n
Los investigadores est\u00e1n trabajando para adaptar el nuevo m\u00e9todo de reconstrucci\u00f3n de im\u00e1genes para trabajar con datos 3D y planea probarlo en un ensayo cl\u00ednico m\u00e1s grande en un futuro pr\u00f3ximo. <\/p>\n
Explore m\u00e1s<\/p>\n
Im\u00e1genes a trav\u00e9s de difusores aleatorios al instante sin una computadora M\u00e1s informaci\u00f3n:<\/strong> 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 Informaci\u00f3n del diario:<\/strong> Optica <\/p>\n Proporcionado por The Optical Society Cita<\/strong>: El aprendizaje profundo est\u00e1 preparado para mejorar las im\u00e1genes del c\u00e1ncer 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Los investigadores desarrollaron el algoritmo de aprendizaje profundo Z-Net para la reconstrucci\u00f3n en tiempo real de im\u00e1genes que combinan datos espectrales y de resonancia magn\u00e9tica. Esto podr\u00eda permitir una mejor detecci\u00f3n y diagn\u00f3stico del c\u00e1ncer de mama. Cr\u00e9dito: Keith Paulsen, Dartmouth College Los investigadores han desarrollado un nuevo m\u00e9todo de reconstrucci\u00f3n de im\u00e1genes que podr\u00eda … Continuar leyendo \u00abEl aprendizaje profundo est\u00e1 listo para mejorar las im\u00e1genes del c\u00e1ncer de mama\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-7755","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7755","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=7755"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7755\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=7755"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=7755"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=7755"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}