Ricercatori del MIT utilizzano Deep Learning e la Fisica per correggere le scansioni di MRI corrotte dal movimento

MIT researchers use Deep Learning and Physics to correct motion-corrupted MRI scans.

Una scansione MRI (imaging a risonanza magnetica) è un test che crea immagini chiare delle strutture all’interno del tuo corpo utilizzando un grande magnete, onde radio e un computer. I fornitori di assistenza sanitaria utilizzano le MRI per valutare, diagnosticare e monitorare diverse condizioni mediche.

Mentre i raggi X e le tomografie computerizzate hanno i loro meriti, le scansioni MRI offrono un contrasto dei tessuti molli superiore e un’immagine di alta qualità. Mentre offre un eccezionale contrasto dei tessuti molli e un’immagine di alta qualità, l’MRI rimane suscettibile alle interferenze del movimento, dove anche lievi movimenti possono introdurre artefatti di immagine disturbatori. Questi artefatti, che compromettono l’accuratezza delle immagini mediche, possono influire sulla capacità dei medici di capire cosa c’è di sbagliato in un paziente. Ciò può portare a trattamenti meno efficaci perché i medici potrebbero trascurare dettagli importanti.

Anche le scansioni brevi possono essere compromesse da lievi movimenti, che influiscono in modo unico sulle immagini MRI. A differenza dei sfocature delle fotocamere, gli artefatti di movimento MRI possono distorcere intere immagini.

• Iniziare con LlaMA 2 | La nuova intelligenza artificiale generativa di Meta
• Il futuro della scoperta musicale ricerca vs generazione
• Google AI Research propone un approccio generale per la generazione di testo personalizzato utilizzando grandi modelli linguistici (LLM)

Come indicato da uno studio di Radiologia dell’Università di Washington, circa il 15 percento delle scansioni MRI del cervello sono influenzate dal movimento, rendendo necessarie scansioni aggiuntive. Questa necessità di immagini ripetute contribuisce a una spesa annuale di circa $115.000 per scanner all’interno degli ospedali, mirata a ottenere immagini diagnosticamente affidabili attraverso diverse modalità MRI.

Per risolvere questo problema, i ricercatori del MIT hanno compiuto un significativo passo avanti sfruttando la potenza della tecnologia di deep learning. Hanno utilizzato il deep learning per trovare una soluzione. Hanno mescolato il deep learning con la fisica e hanno scoperto risultati sorprendenti.

Il loro metodo prevede la costruzione computazionale di un’immagine priva di movimento da dati corrotti dal movimento senza modificare la procedura di scansione. La significatività nell’adozione di questo approccio integrato risiede nella sua capacità di mantenere la coerenza tra le immagini risultanti e le misurazioni factuali della materia oggetto.

Non riuscire a raggiungere questa allineamento potrebbe portare al generazione da parte del modello di ciò che viene definito “allucinazioni”: immagini apparentemente genuine che, in realtà, si discostano dai reali attributi fisici e spaziali. Tali discrepanze possono alterare potenzialmente i risultati diagnostici, sottolineando l’importanza critica di una rappresentazione accurata nell’imaging medico.

Rivolgendosi al futuro, hanno evidenziato l’interessante potenziale per futuri studi che approfondiscano forme più complesse di movimento della testa e del movimento che influiscono su diverse regioni del corpo. Ad esempio, nell’MRI fetale, la sfida sta nel gestire l’azione rapida e imprevedibile, che va oltre le capacità dei modelli di traduzione e rotazione di base. Ciò sottolinea la necessità di sviluppare strategie più sofisticate che tengano conto di modelli di movimento intricati, offrendo una promettente strada per migliorare le applicazioni MRI in diverse situazioni anatomiche.