A ressonância magnética (MRI) é uma ferramenta diagnóstica não invasiva usada para detectar e avaliar doenças cerebrais, lesões musculoesqueléticas, doenças cardiovasculares e câncer. Embora a ressonância magnética tenha muitas vantagens sobre outras tecnologias de imagens médicas, é lenta, o que aumenta os custos, compromete o conforto do paciente, pode prejudicar a qualidade da imagem e requer o uso de sedação para crianças.
Uma equipe interdisciplinar de engenheiros, médicos e cientistas liderada pelo professor assistente de engenharia biomédica Rizwan Ahmad e pelo professor de engenharia elétrica e de computação Philip Schniter recebeu um prêmio R01 de quatro anos no valor de US $ 2,3 milhões do National Institutes of Health para desenvolver métodos de ressonância magnética mais rápidos e precisos.
Um exame típico de ressonância magnética consiste em várias varreduras e pode levar uma hora ou mais. Para cada varredura, um paciente pode precisar ficar parado por vários minutos, mesmo com movimentos leves que podem afetar a qualidade da imagem. Também há uma demanda crescente para usar a ressonância magnética para aplicações dinâmicas e sensíveis ao tempo, como imagens de um coração batendo ou fenômenos transitórios que acontecem em alguns segundos.
“Um dos principais motivadores para nós é que queremos acelerar esse processo tomando uma fração das medições que a técnica tradicional usaria”, explicou Schniter. “O problema agora é que, se eu tirar uma fração das medições, vou perder todas essas informações. O que vou fazer para substituir essas informações?”
Para substituir as informações ausentes e recuperar a imagem, os pesquisadores desenvolverão e validarão uma estrutura abrangente e robusta de Deep Learning (DL) que aprimora a reconstrução de ressonância magnética além dos limites da tecnologia existente.
A estrutura proposta usa algoritmos plug-and-play para combinar modelos de aquisição de dados baseados na física com modelos de imagens aprendidas de última geração. Em comparação com os métodos existentes para reconstrução de ressonância magnética, os algoritmos plug-and-play recuperam imagens mais rapidamente, com qualidade superior e valor de diagnóstico potencialmente superior. Os pesquisadores também usam denoisers baseados em Deep Learning para refinar ainda mais as imagens. Sua abordagem é descrita na IEEE Signal Processing Magazine.
“O que torna a estratégia plug-and-play única é que ela é um híbrido entre abordagens baseadas em Deep Learning e abordagens tradicionais de física de engenharia, e itera entre elas para finalmente entregar a imagem”, disse Schniter.
Uma vez totalmente implementada, a metodologia da equipe poderia reduzir o tempo de varredura de ressonância magnética pela metade. Sua solução não requer modificação de hardware; uma estação de trabalho de computador conectada ao scanner de ressonância magnética fará os cálculos.
“Quando um médico está sentado no scanner de ressonância magnética, eles querem dar uma olhada nas imagens em segundos”, explicou Ahmad. “Depois de desenvolvido, o algoritmo será capaz de recuperar as imagens em questão de segundos, quase em tempo real.”
A fim de demonstrar sua ampla aplicabilidade, a equipe irá validar sua estrutura usando dados de ressonância magnética de pacientes pediátricos e adultos especificamente para cine cardíaca e imagens cerebrais. Se for bem-sucedido, a aceleração e a melhoria da qualidade de imagem proporcionadas por esses desenvolvimentos beneficiarão quase todos os aplicativos de ressonância magnética, disse Ahmad.
Tornar as ressonâncias magnéticas mais rápidas é especialmente crítico para pacientes pediátricos.
“Imagens pediátricas são um problema ainda maior porque crianças menores não ficam paradas nos aparelhos de ressonância magnética, então elas têm que sedá-las”, explicou Ahmad. “Há uma literatura crescente que diz que a sedação tem consequências negativas a longo prazo, então é necessário minimizá-la. É muito importante para imagens pediátricas que possamos realizar o exame muito rapidamente.”
A equipe também demonstrou que o uso de denoisers específicos em sua solução, que correspondem à parte do corpo que está sendo visualizada, produz melhores resultados. Esses algoritmos aprimoram as imagens removendo artefatos de amostragem indesejados.
“Nosso objetivo também é desenvolver essa solução em uma base mais específica para o aplicativo”, disse Ahmad. “As imagens do cérebro são muito diferentes das imagens do coração, então podemos fazer um treinamento específico para o aplicativo. Como ele é mais especializado, ele faz um trabalho muito melhor.”
Durante o treinamento, a equipe dá aos seus denoisers acesso a milhares de conjuntos de dados de imagens, incluindo imagens do conjunto de dados fastMRI da New York University.
“Os denoisers são redes neurais computacionais em que têm uma estrutura de processamento que se parece muito com o cérebro dos mamíferos”, disse Schniter. “Damos a eles acesso a muitas imagens médicas e eles eventualmente aprendem a estrutura e aprendem a suprimir o ruído de imagens médicas sem que nunca lhes digamos explicitamente como fazê-lo.”
Como parte do projeto, os pesquisadores também criaram um repositório de código aberto de centenas de conjuntos de dados de imagens cardíacas para estimular mais avanços no campo.
“Inspirados pelo que nosso co-investigador Florian Knoll fez com o conjunto de dados fastMRI, queremos fazer algo semelhante com os dados cardíacos”, disse Schniter. “Colocar um conjunto de dados é um catalisador para muito progresso no campo. Uma vez que as pessoas tenham os dados, muitas equipes podem trabalhar com esses dados e competir entre si para melhorar a metodologia.”
Os co-pesquisadores do projeto incluem pesquisadores da Faculdade de Medicina do Estado de Ohio, Professora Associada de Medicina Cardiovascular Karolina Zareba, Professor de Radiologia e Medicina Cardiovascular Orlando Simonetti e Professor Associado de Pesquisa em Informática Biomédica Guy Brock. O Dr. Mai-Lan Ho do Nationwide Children’s Hospital e o professor assistente de radiologia Florian Knoll da New York University também são colaboradores.
Esta pesquisa é apoiada pelo Instituto Nacional de Imagem Biomédica e Bioengenharia (NIBIB).
Publicado em 22/06/2021 09h26
Artigo original:
Estudo original: