Investigadores del Instituto de Imagen, Datos y Comunicaciones de Edimburgo han presentado un nuevo sistema no supervisado para reconstruir secuencias de imágenes de resonancia magnética dinámica (MRI) a partir de mediciones submuestreadas. Este avance promete ser una revolución en la obtención de imágenes cardíacas dinámicas en tiempo real, un método menos invasivo y con aplicaciones potenciales para observar movimientos fisiológicos como la respiración libre.

El método innovador, denominado Dynamic Diffeomorphic Equivariant Imaging (DDEI), se destaca por su capacidad de superar significativamente a los métodos no supervisados anteriores en la reconstrucción de imágenes dinámicas cardíacas aceleradas. Utilizando una red neuronal, DDEI aprovecha las equivalencias geométricas espaciotemporales de las imágenes de MRI, logrando mejorar la calidad de las imágenes reconstruidas con más nitidez en los bordes y menor cantidad de artefactos.

A diferencia de los métodos supervisados previos, que requerían datos completamente muestreados de verdad de terreno, el DDEI prescinde de ellos, pudiendo aprender de datos submuestreados. Esta característica lo convierte en una alternativa más rápida y económica, útil especialmente cuando las imágenes completamente muestreadas son imposibles de obtener.

Los investigadores han desarrollado el sistema gracias a un esquema de aprendizaje que abstrae la invariancia temporal y difeomórfica, permitiendo la recuperación de información perdida durante el submuestreo. Esto ofrece una solución al problema inverso de recuperar imágenes de secuencias dinámicas, un reto conocido en el ámbito de la resonancia magnética.

En pruebas realizadas con un conjunto de datos reales de cine cardíaco MRI, DDEI demostró un desempeño sobresaliente comparado con contemporáneos métodos como SSDU y Phase2Phase, reconociendo un margen significativo de mejora en la reconstrucción de imágenes aceleradas con 8x. A su vez, este avance consigue estar a la par de los métodos supervisados “oráculo” sin hacer uso de ellos durante el entrenamiento.

La capacidad de generalización de DDEI también fue notable al demostrar robustez en un entorno de ruido gaussiano, gracias a la incorporación de una pérdida SURE, que mejora la calidad de imagen sin requerir verdad de terreno. Este logro posiciona a DDEI como un candidato ideal para futuros sistemas de MRI que demandan reconstrucciones de alta calidad.

Los autores también sugieren que el diseño agnóstico del marco les permite integrar redes neuronales avanzadas, como transformadores, lo que podría llevar a mejoras futuras en la calidad de la reconstrucción. Para avanzar en la investigación, plantean entrenar directamente con datos de k-t-space crudos y emplear evaluaciones de radiólogos para validar los resultados.