La digitalizzazione della sanità è un processo in atto che sta interessando anche la diagnostica per immagini e la risonanza magnetica in particolare. Ciò inizia con una gestione operativa semplificata, inclusa la pianificazione dei pazienti, e arriva fino al supporto del processo decisionale clinico, come l’interpretazione delle immagini, la quantificazione e la generazione di report. La digitalizzazione ha influenzato il modo in cui i pazienti e gli operatori sanitari si avvicinano alla diagnostica per immagini. Soprattutto l’uso dell’intelligenza artificiale si è rivelato uno strumento prezioso per una serie di fasi lungo
la catena di acquisizione ed elaborazione delle immagini, come la pianificazione degli esami
o l’elaborazione delle immagini e il supporto decisionale.
Ciò si traduce in una maggiore produttività per gli operatori e, in ultima analisi, in una migliore esperienza del paziente, grazie a tempi di scansione più brevi e un rischio ridotto di misurazioni ripetute. Ma l’intelligenza artificiale ha anche un grande potenziale quando si tratta della generazione dell’immagine stessa, contribuendo ad affrontare alcuni dei limiti fondamentali della risonanza magnetica, tra cui la velocità di acquisizione, il rumore dell’immagine e gli artefatti.
I limiti della ricostruzione dell’immagine convenzionale
La risonanza magnetica si è affermata come una delle modalità chiave nella diagnostica per immagini. L’assenza di radiazioni ionizzanti e l’impareggiabile contrasto dei tessuti molli distinguono la risonanza magnetica da altre modalità di imaging. Sebbene queste caratteristiche abbiano contribuito a stabilire la risonanza magnetica come metodo di scelta per la diagnosi di molte patologie, il limite principale della risonanza magnetica è il tempo di acquisizione.
Con i metodi di ricostruzione convenzionali, l’accelerazione di un’acquisizione può essere ottenuta solo accettando compromessi rispetto alla risoluzione dell’immagine o al rapporto segnale-rumore (SNR). In generale, la velocità di acquisizione, la risoluzione dell’immagine e il SNR sono strettamente correlati e l’aumento di uno dei tre ha automaticamente un effetto negativo su almeno uno degli altri due.
L’uso degli array di ricezione e dell’imaging parallelo è stato un importante passo avanti nella ricostruzione dell’immagine RM ed è una parte essenziale della routine clinica nella RM.
L’imaging parallelo, tuttavia, di solito ha il prezzo di un rumore dell’immagine più elevato, specialmente nelle regioni più lontane dalle bobine di ricezione. Ciò si traduce in una distribuzione del rumore
disomogenea, soprattutto se si utilizzano fattori di accelerazione elevati. Compressed Sensing è stato un altro importante sviluppo per quanto riguarda l’accelerazione delle immagini.
Beneficia in particolare dell’imaging 3D dinamico e non cartesiano, ma comporta un onere computazionale più elevato. Inoltre,l’imaging cartesiano 2D, che sta ancora costruendo la spina dorsale
dell’imaging RM di routine, beneficia meno del Compressed Sensining.
Negli ultimi anni, le tecnologie AI hanno fatto la loro comparsa in varie pubblicazioni di ricerca.
Soprattutto l’uso di reti neurali profonde si è dimostrato utile quando si cerca di affrontare i limiti della ricostruzione di immagini RM convenzionali, in particolare anche per l’imaging 2D di routine. La
ricostruzione delle immagini mediante deep learning ha il potenziale per affrontare contemporaneamente tutti e tre i fattori limitanti dell’imaging RM: risoluzione dell’immagine, rapporto segnalerumore e velocità di acquisizione.
Con Deep Resolve, apportiamo il deep learning e l’intelligenza artificiale al processo di ricostruzione delle immagini RM. Deep Resolve è la nostra tecnologia di ricostruzione avanzata, che nella sua prima fase porta il denoising intelligente e la ricostruzione delle immagini basata sull’apprendimento profondo direttamente al centro della catena di imaging.
Con Deep Resolve, stiamo compiendo il passo successivo per plasmare il futuro dell’IA nella ricostruzione delle immagini. Deep Resolve Gain e Deep Resolve Sharp sono le nostre tecnologie per il denoising intelligente e la ricostruzione del deep learning. Insieme, forniscono immagini più nitide e più veloci,consentendo così tempi di scansione più brevi e una maggiore produttività.
Il potenziale della ricostruzione delle immagini del deep learning è immenso e la ricerca attuale indica una moltitudine di affascinanti applicazioni a venire. La collaborazione è fondamentale nella
risonanza magnetica, quindi uniamo i nostri sforzi per portare avanti questa entusiasmante tecnologia!
Siemens
