¿Crees que el “deep learning” se puede utilizar para producir imágenes cerebrales de resonancia magnética sintética post-contraste de alta calidad sin el uso de agentes de contraste a base de gadolinio? Esa fue la pregunta planteada en una presentación en RSNA por Gowtham Murugesan, PhD, Departamento de Radiología, Centro Médico de la Universidad de Texas Southwestern, Dallas – y, según la presentación, los exámenes sin gadolinio que utilizan el “deep learning” son factibles.

El gadolinio es responsable de acortar la relajación de T1 en los tejidos donde se acumula el agente, lo que produce una señal más brillante de ellos en las imágenes poscontraste ponderadas en T1. Además, el gadolinio aumenta el contraste tisular, acentuando las áreas donde los agentes de contraste se han derramado sobre la barrera hematoencefálica.

Sin embargo, la U.S. Federal Drug Administration emitió una advertencia sobre la retención de gadolinio en 2018, y la investigación mostró evidencia de que el gadolinio puede acumularse en varios tejidos no objetivo (incluidos el cerebro, los huesos y los riñones).

Por ello, los investigadores del estudio del que hablamos buscaron demostrar la viabilidad de modelos y métodos de “deep learning” para generar imágenes T1 postcontraste utilizando imágenes de resonancia magnética sin contraste en pacientes con tumor cerebral primario. El modelo usó una dosis de gadolinio al 10% para crear imágenes cerebrales con contraste que podrían usarse para predecir imágenes de dosis completa.

El conjunto de datos incluyó a 335 pacientes del Multimodal Brain Tumor Segmentation Challenge (BraTS) 2019 que se utilizaron para entrenar el modelo, mientras que un conjunto de 125 pacientes BraTS 2019 se utilizó como datos de prueba. La valoración cualitativa fue realizada por dos radiólogos y, de acuerdo con sus clasificaciones de consenso, el modelo fue capaz de sintetizar el realce por contraste con excelentes, buenos y malos resultados en 49, 61 y 15 casos, respectivamente.

Aunque el modelo de aprendizaje profundo propuesto no está listo para la traducción clínica, el estudio demuestra la viabilidad de utilizar métodos de “deep learning” para sintetizar imágenes de gadolinio sin contraste.

Lee el artículo completo.