La resonancia magnética, a diferencia de otras modalidades de diagnóstico por imagen como los rayos X o la tomografía computarizada, proporciona un contraste de mayor calidad en los tejidos blandos. Sin embargo, tiene un gran inconveniente, y es que es muy sensible al movimiento, incluso a los más ligeros, lo que pone al paciente en riesgo de que su diagnóstico no pueda ser el adecuado al ocultar ciertos detalles al médico.
Para tratar de poner remedio a este problema, investigadores del Massachusetts Institute of Technology, en Estados Unidos, han logrado desarrollar un modelo de aprendizaje que permite corregir ese movimiento de la resonancia magnética cuando se utiliza para el cerebro. Para ello, han combinado física con aprendizaje profundo (deep learning).
“Debido al problema que tiene con el movimiento, la resonancia magnética es una modalidad de imagen bastante lenta”, principal cabeza visible del proyecto. Y es que las sesiones de resonancia magnética pueden durar desde unos minutos hasta una hora, e incluso durante esas exploraciones más cortas es posible que los pequeños movimientos acaben modificando en gran medida el resultado final de la imagen.
“Debido al problema que tiene con el movimiento, la resonancia magnética es una modalidad de imagen bastante lenta”
Y, aunque se suele pedir a los pacientes que contengan la respiración para que el movimiento sea el menor posible e incluso se les puede llegar a anestesiar, son medidas que, señala el artículo del MIT, “no pueden tomarse en perfiles de pacientes particularmente susceptibles al movimiento, como niños o pacientes con trastornos psiquiátricos, como Alzheimer o Parkinson”.
De hecho, cita el MIT, un estudio del Departamento de Radiología de la Universidad de Washington estimó que el movimiento afecta al 15% de las resonancias magnéticas cerebrales. Esto obliga a repetir las exploraciones o sesiones de diagnóstico por imagen para obtener imágenes de calidad suficiente para el diagnóstico, lo que supone, en Estados Unidos, un gasto hospitalario de aproximadamente 115.000 dólares por escáner cada año.
Así, el modelo desarrollado por el Massachusetts Institute of Techonology construye una imagen que no está alterada por el movimiento a partir de datos que sí están corrompidos por el movimiento, y lo hace sin alterar nada del proceso de la resonancia magnética. "Nuestro objetivo era combinar el modelado basado en la física y el aprendizaje profundo para obtener lo mejor de ambos mundos", afirma Singh.
"En el futuro será una práctica habitual procesar imágenes con algo directamente derivado de esta investigación"
Este enfoque combinado consigue “garantizar la coherencia entre el resultado de la imagen y las mediciones reales de lo que se está representando”. Haciéndolo de otra manera, explica, las imágenes parecerían realistas, pero física y espacialmente serían inexactas, lo que podría empeorar todavía más los resultados a la hora de establecer un diagnóstico.
"Esta línea de trabajo de Singh y compañía es el siguiente paso en la corrección del movimiento por resonancia magnética. No sólo es un excelente trabajo de investigación, sino que creo que estos métodos se utilizarán en todo tipo de casos clínicos: niños y ancianos que no pueden permanecer quietos en el escáner, patologías que inducen movimiento, estudios de tejidos en movimiento o incluso pacientes sanos que no pueden evitar moverse", afirma Daniel Moyer, profesor adjunto de la Universidad de Vanderbilt.
"En el futuro, creo que probablemente será una práctica habitual procesar imágenes con algo directamente derivado de esta investigación", sentencia. Y es que, de hecho, según el propio Singh, en el futuro se podría utilizar este modelo para otras aplicaciones, como resonancias magnéticas fetales.