Conversión de imágenes de ultrasonido a imágenes de formato CT utilizando aprendizaje basado en inteligencia artificial

Antecedentes y justificación del experimento médico:

La ecografía es un método de imagen que utiliza ondas de sonido para caracterizar la estructura y función de varios órganos en condiciones de salud y enfermedad. Esta técnica es muy utilizada en la vida clínica diaria y tiene múltiples beneficios. El examen no implica el uso de radiaciones ionizantes, por lo que su uso es más seguro que otras técnicas como rayos X o tomografías computarizadas (Tomografía Computarizada). Las imágenes adquiridas y vistas en el dispositivo de ultrasonido son en tiempo real, por lo que se pueden identificar cambios, lo que en muchos casos afecta el diagnóstico final. La prueba no es invasiva, ni requiere el uso de un agente de contraste que contenga sustancias que puedan causar una reacción alérgica o afectar la función renal. Además, el equipo está ampliamente disponible y también se puede utilizar junto a la cama. Aparte de las ventajas mencionadas, la prueba de ultrasonido también tiene inconvenientes notables. Las ondas de ultrasonido no penetran bien a través de los huesos o el aire, lo que perjudica la calidad de la prueba. Además, el método depende en gran medida de la habilidad del operador, por lo que se requiere una gran experiencia para producir suficiente información de calidad y hacer un diagnóstico preciso. La calidad de la prueba también depende de la cooperación del sujeto durante la prueba, como los cambios de postura y la respiración profunda.

En comparación con el examen de ultrasonido, la tomografía computarizada permite una visión anatómica más amplia y no está limitada por factores fisiológicos como los huesos y el aire. Las deficiencias más notables de la tomografía computarizada incluyen el hecho de que la prueba requiere radiación ionizante que inevitablemente conlleva un peligro directo e indirecto para la salud del paciente. Además, la prueba requiere más recursos económicos y de mano de obra, lo que es una limitación en su uso fuera del hospital o en países de bajo nivel socioeconómico.

En este estudio, los investigadores pretenden cerrar la brecha entre estos dos tipos de técnicas y crear un sistema uniforme que aproveche ambas. Esto se hace creando imágenes de TC a partir de imágenes de ultrasonido. Este proceso implicará el uso de métodos de inteligencia artificial, a saber, algoritmos de aprendizaje automático.

El aprendizaje automático en general, y el aprendizaje profundo en particular, han cobrado impulso en los últimos años en el campo de la visión por computadora y, más recientemente, también en el campo de las imágenes médicas. Además, ya se pueden ver éxitos significativos en la clasificación de enfermedades de la retina, en las que el sensor es una cámara de fondo de ojo o una tomografía de coherencia óptica (OCT), en la clasificación de clasificaciones en imágenes de resonancia magnética de mama 3 y, más recientemente, en la clasificación de la gravedad de la enfermedad causada por el virus Corona, utilizando radiografías de tórax y ecografías.

El aprendizaje automático incluye dos fases. En la primera fase, el algoritmo entrena en datos etiquetados, utilizando arquitecturas y funciones de destino, que permiten lograr una alta precisión. En el segundo paso, los investigadores probarán el algoritmo en busca de datos que aún no se han observado. Cabe señalar que una gran cantidad de datos etiquetados puede ser muy útil para desarrollar el algoritmo, pero al mismo tiempo, puede ser difícil producir datos etiquetados y puede ser un proceso largo y costoso. Por lo tanto, los investigadores utilizarán enfoques no supervisados ​​o semisupervisados.

Objetivos de la investigación médica: Proporcionar información ecográfica y radiográfica a un sistema de inteligencia artificial con el fin de crear imágenes de TC a partir de imágenes de ultrasonido, con el fin de permitir una mejor orientación espacial, así como una mejor caracterización de las estructuras anatómicas escaneadas.

Tipo de estudio: un estudio prospectivo de etiqueta abierta en el que tanto el médico como el paciente conocen la forma y los propósitos de la exploración.

Procedimiento experimental: los participantes que cumplan con los criterios del estudio se someterán a una ecografía completa de los órganos abdominales utilizando un dispositivo de ultrasonido clínico en el Instituto de Imágenes del centro médico Haemek. La duración estimada del examen es de 20 minutos. Las imágenes de ultrasonido se acoplarán visualmente a imágenes de TC anteriores del mismo paciente en el momento del examen, utilizando un sistema Fusion ubicado en el dispositivo de ultrasonido mencionado anteriormente.

Tenga en cuenta que si el participante vino para un examen de ultrasonido clínico que se suponía que debía realizarse de todos modos, aprobará el examen clínico como de costumbre y luego se someterá por separado al examen descrito anteriormente como parte del estudio.

Las imágenes combinadas de TC y ultrasonido se codificarán y se enviarán al laboratorio SAMPL en el instituto Weizmann, donde las imágenes servirán como plataforma de aprendizaje para el sistema de inteligencia artificial. Las imágenes se transferirán solo después de que los datos personales del sujeto hayan sido codificados en un archivo EXCEL y guardados por el investigador principal. Solo el investigador principal y los investigadores secundarios estarán expuestos a la información precodificada, que se almacenará en una computadora dedicada en el investigador principal, protegida con contraseña.

La información codificada recopilada se pasará continuamente durante la investigación al Instituto Weizmann, con el fin de garantizar una buena adquisición de la información y la posibilidad de retroalimentación en tiempo real al investigador principal a favor de la adquisición de información de mejor calidad que permita el análisis de datos.

En cualquier solicitud futura del laboratorio SAMPL para obtener detalles sobre los participantes, deberá comunicarse con el número de serie cuando la clave de codificación estará exclusivamente en el sitio clínico (Hospital Haemek). El laboratorio SAMPL del Instituto Weizmann no estará expuesto de ninguna manera ni en ninguna etapa del experimento a información de identificación sobre los participantes.

Seguimiento de los participantes y notificación de los hallazgos médicos

Si se descubren hallazgos médicos inesperados que son importantes para la salud del paciente durante el estudio, es responsabilidad del investigador principal transferirlos al médico tratante sin demora para un seguimiento y tratamiento adicionales según sea necesario mediante atención médica estándar. No se realizará un seguimiento de los participantes después de la exploración experimental como parte del ensayo clínico.