Inteligência artificial melhora imagem biomédica

Os pesquisadores da ETH usam inteligência artificial para melhorar a qualidade das imagens gravadas por um método de imagem biomédica relativamente novo. Isso abre caminho para um diagnóstico mais preciso e dispositivos econômicos.

Cientistas da ETH Zurich e da Universidade de Zurique usaram métodos de aprendizado de máquina para melhorar a imagem optoacústica. Essa técnica de imagem médica relativamente jovem pode ser usada para aplicações como visualização de vasos sanguíneos , estudo da atividade cerebral, caracterização de lesões de pele e diagnóstico de câncer de mama. No entanto, a qualidade das imagens renderizadas depende muito do número e da distribuição dos sensores usados ​​pelo dispositivo: quanto mais deles, melhor a qualidade da imagem. A nova abordagem desenvolvida pelos pesquisadores da ETH permite uma redução substancial do número de sensores sem abrir mão da qualidade da imagem resultante. Isso torna possível reduzir o custo do dispositivo, aumentar a velocidade da imagem ou melhorar o diagnóstico.

A optoacústica (ver caixa) é semelhante em alguns aspectos à imagem por ultrassom. Neste último, uma sonda envia ondas ultrassônicas para o corpo, que são refletidas pelo tecido. Os sensores na sonda detectam as ondas sonoras que retornam e uma imagem do interior do corpo é gerada posteriormente. Nas imagens optoacústicas, pulsos de laser muito curtos são enviados ao tecido, onde são absorvidos e convertidos em ondas ultrassônicas. Da mesma forma que a imagem por ultrassom, as ondas são detectadas e convertidas em imagens.

Corrigindo distorções na imagem

A equipe liderada por Daniel Razansky, professor de imagem biomédica da ETH Zurich e da Universidade de Zurique, procurou uma maneira de melhorar a qualidade da imagem de dispositivos optoacústicos de baixo custo que possuem apenas um pequeno número de sensores ultrassônicos.

Para fazer isso, eles começaram usando um scanner optoacústico de ponta desenvolvido com 512 sensores, que forneciam imagens de qualidade superior. Eles tiveram essas imagens analisadas por uma rede neural artificial, capaz de aprender os recursos das imagens de alta qualidade.

Em seguida, os pesquisadores descartaram a maioria dos sensores, restando apenas 128 ou 32 sensores, com um efeito prejudicial na qualidade da imagem. Devido à falta de dados, distorções conhecidas como artefatos do tipo raia apareceram nas imagens. No entanto, a rede neural treinada anteriormente foi capaz de corrigir amplamente essas distorções, aproximando a qualidade da imagem das medições obtidas com todos os 512 sensores.

Em optoacústica, a qualidade da imagem aumenta não apenas com o número de sensores usados, mas também quando as informações são capturadas de tantas direções quanto possível: quanto maior o setor em que os sensores estão dispostos ao redor do objeto, melhor a qualidade. O algoritmo de aprendizado de máquina desenvolvido também teve êxito na melhoria da qualidade das imagens gravadas em apenas um setor restrito. “Isso é particularmente importante para aplicações clínicas, pois os pulsos do laser não podem penetrar em todo o corpo humano; portanto, a região da imagem normalmente é acessível apenas de uma direção”, de acordo com Razansky.

Os cientistas enfatizam que sua abordagem não se limita à imagem optoacústica. Como o método opera nas imagens reconstruídas, não nos dados gravados brutos, também é aplicável a outras técnicas de imagem. “Você pode basicamente usar a mesma metodologia para produzir imagens de alta qualidade a partir de qualquer tipo de dados esparsos”, diz Razansky. Ele explica que os médicos geralmente são confrontados com o desafio de interpretar imagens de baixa qualidade dos pacientes. “Mostramos que essas imagens podem ser aprimoradas com os métodos de IA, facilitando o diagnóstico mais preciso”.

Para Razansky, este trabalho de pesquisa é um bom exemplo de para que métodos existentes de inteligência artificial podem ser usados. “Muitas pessoas pensam que a IA pode substituir a inteligência humana. Isso provavelmente é exagerado, pelo menos para a tecnologia de IA atualmente disponível”, diz ele. “Ele não pode substituir a criatividade humana, mas pode nos libertar de algumas tarefas trabalhosas e repetitivas”.

Em sua pesquisa atual, os cientistas usaram um dispositivo de tomografia optoacústica personalizado para pequenos animais e treinaram os algoritmos de aprendizado de máquina com imagens de ratos. O próximo passo será aplicar o método às imagens optoacústicas de pacientes humanos, diz Razansky.

Revelando a função do tecido

Ao contrário da optoacústica (também conhecida como fotoacústica), muitas técnicas de imagem, como ultrassom, raio-X ou ressonância magnética, são principalmente adequadas para visualizar alterações anatômicas no corpo. Para receber informações funcionais adicionais, por exemplo, sobre o fluxo sanguíneo ou alterações metabólicas, o paciente deve receber agentes de contraste ou marcadores radioativos antes da imagem. Por outro lado, o método optoacústico pode visualizar informações funcionais e moleculares sem a introdução de agentes de contraste. Um exemplo são as mudanças locais na oxigenação tecidual – um marco importante do câncer que pode ser usado para o diagnóstico precoce. O conteúdo lipídico nos vasos sanguíneos é outro marcador potencial de doença, que pode auxiliar na detecção precoce de doenças cardiovasculares.

Deve-se notar, no entanto, que, como as ondas de luz usadas na imagem optoacústica, ao contrário de outras ondas, não penetram completamente no corpo humano, o método é adequado apenas para investigar tecidos a uma profundidade de alguns centímetros abaixo da pele.



PROPAGANDA
PROPAGANDA
PROPAGANDA