Aprendizaje profundo mejora la precisión en evaluaciones de calidad de la elastografía por resonancia magnética

La enfermedad hepática afecta a millones de personas en todo el mundo, con muchas más en etapas no detectadas de enfermedad del hígado graso. Si no se diagnostican ni se tratan, estas afecciones pueden progresar a cirrosis, que implica cicatrices hepáticas irreversibles. Por lo general, se realiza una biopsia después de un resultado anormal en un análisis de sangre para diagnosticar y controlar el tejido hepático, pero este procedimiento conlleva riesgos y consume tiempo. Para evitar estos problemas, se han desarrollado técnicas no invasivas como la elastografía por resonancia magnética (ERM). La ERM, que combina tecnología de ultrasonido y resonancia magnética, visualiza los niveles de rigidez del hígado para indicar la cicatrización y se ha convertido en un método preferido para diagnosticar problemas hepáticos. No obstante, las exploraciones de ERM pueden fallar debido a varios factores, como el movimiento del paciente, rasgos fisiológicos específicos o problemas técnicos como la generación incorrecta de ondas. La creciente demanda de servicios de diagnóstico combinada con la escasez de personal subraya la necesidad de un método confiable y automatizado para clasificar la calidad de las imágenes de ERM para mejorar la eficiencia y minimizar los procedimientos repetidos.

Ahora, investigadores de la Escuela de Ingeniería Mecánica George W. Woodruff (Atlanta, Georgia, EUA) han utilizado con éxito el aprendizaje profundo para mejorar significativamente la precisión de las evaluaciones de calidad de imágenes de MRE. Al utilizar cinco modelos de entrenamiento de aprendizaje profundo, lograron una precisión del 92 % en imágenes retrospectivas de pacientes, que variaban en cuanto a la rigidez del hígado. Esta tecnología también logró un retorno de los datos analizados en cuestión de segundos, lo que permitió a los técnicos realizar los ajustes necesarios en el momento para evitar la necesidad de visitas adicionales del paciente debido a exploraciones iniciales de baja calidad.

Los hallazgos, detallados en el Journal of Magnetic Resonance Imaging, hacen avanzar aún más los esfuerzos para automatizar las revisiones de calidad de las imágenes por resonancia magnética mediante el aprendizaje profundo, un área relativamente inexplorada en la tecnología de imágenes médicas. Esta investigación no solo establece un punto de referencia para futuros estudios en otros órganos como el bazo o los riñones, sino que también puede extenderse a la automatización del control de calidad de la imagen en enfermedades como el cáncer de mama o la distrofia muscular, donde la rigidez del tejido es un marcador crítico de la salud y la progresión de la enfermedad. El equipo planea probar más sus modelos en los escáneres de resonancia magnética de Siemens Healthineers en el próximo año, lo que podría transformar los procesos de diagnóstico en varios campos médicos.

Enlaces relacionados:
Escuela de Ingeniería Mecánica George W. Woodruff

Visitar la expo >

Ultrasound Table

Women’s Ultrasound EA Table

Ultrasonic Pocket Doppler

SD1

40/80-Slice CT System

uCT 528

X-Ray Illuminator

X-Ray Viewbox Illuminators