Em comparação com outras modalidades de imagem, como raios-X ou tomografia computadorizada, as varreduras de ressonância magnética fornecem contraste de tecidos moles de alta qualidade. Infelizmente, a ressonância magnética é altamente sensível ao movimento, mesmo com o menor dos movimentos, resultando em artefatos de imagem. Esses artefatos colocam os pacientes em risco de diagnósticos incorretos ou tratamento inadequado quando detalhes críticos são obscurecidos pelo médico. Mas os pesquisadores do MIT podem ter desenvolvido um modelo de aprendizado profundo capaz de corrigir o movimento na ressonância magnética do cérebro.

"O movimento é um problema comum na ressonância magnética", explica Nalini Singh, Ph.D. afiliado à Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic). aluno do Programa Harvard-MIT em Ciências e Tecnologia da Saúde (HST) e principal autor do artigo. "É uma modalidade de imagem bastante lenta."

As sessões de ressonância magnética podem levar de alguns minutos a uma hora, dependendo do tipo de imagens necessárias. Mesmo durante as varreduras mais curtas, pequenos movimentos podem ter efeitos dramáticos na imagem resultante. Ao contrário da imagem da câmera, onde o movimento geralmente se manifesta como um desfoque localizado, o movimento na ressonância magnética geralmente resulta em artefatos que podem corromper toda a imagem. Os pacientes podem ser anestesiados ou solicitados a limitar a respiração profunda para minimizar o movimento.

No entanto, essas medidas muitas vezes não podem ser tomadas em populações particularmente suscetíveis ao movimento, incluindo crianças e pacientes com transtornos psiquiátricos.

O artigo, disponível no servidor de pré-impressão arXiv e intitulado "Data Consistent Deep Rigid MRI Motion Correction", foi recentemente premiado como melhor apresentação oral na conferência Medical Imaging with Deep Learning (MIDL) em Nashville, Tennessee. O método constrói computacionalmente uma imagem sem movimento a partir de dados corrompidos por movimento sem alterar nada sobre o procedimento de digitalização. "Nosso objetivo era combinar modelagem baseada em física e aprendizado profundo para obter o melhor dos dois mundos", diz Singh.

A importância dessa abordagem combinada reside em garantir a consistência entre a saída da imagem e as medições reais do que está sendo representado, caso contrário, o modelo cria "alucinações" - imagens que parecem realistas, mas são física e espacialmente imprecisas, potencialmente piorando os resultados quando se trata aos diagnósticos.

A obtenção de uma ressonância magnética sem artefatos de movimento, particularmente de pacientes com distúrbios neurológicos que causam movimento involuntário, como a doença de Alzheimer ou Parkinson, beneficiaria mais do que apenas os resultados do paciente.

Um estudo do Departamento de Radiologia da Universidade de Washington estimou que o movimento afeta 15% das ressonâncias magnéticas do cérebro. O movimento em todos os tipos de ressonância magnética que leva a varreduras repetidas ou sessões de imagem para obter imagens com qualidade suficiente para o diagnóstico resulta em aproximadamente $ 115.000 em despesas hospitalares por scanner anualmente.

De acordo com Singh, trabalhos futuros podem explorar tipos mais sofisticados de movimento da cabeça, bem como movimentos em outras partes do corpo. Por exemplo, a ressonância magnética fetal sofre de movimentos rápidos e imprevisíveis que não podem ser modelados apenas por translações e rotações simples.

"Esta linha de trabalho de Singh e companhia é o próximo passo na correção de movimento de ressonância magnética. Não é apenas um excelente trabalho de pesquisa, mas acredito que esses métodos serão usados ??em todos os tipos de casos clínicos: crianças e idosos que não conseguem sentar ainda no scanner, patologias que induzem movimento, estudos de tecidos em movimento, até mesmo pacientes saudáveis ??se moverão no ímã", diz Daniel Moyer, professor assistente da Vanderbilt University. “No futuro, acho que provavelmente será uma prática padrão processar imagens com algo descendente direto desta pesquisa”.