Optimizar la resonancia magnética nuclear cuantitativa para mejorar la atención al paciente
Con una sensibilidad y especificidad de casi el 100 %, para muchos, la resonancia magnética nuclear (RMN) es el patrón de referencia en obtención de imágenes. Este es particularmente el caso cuando se trata de observar tejidos blandos, como el encéfalo, con RMN que brindan a los radiólogos una imagen mucho más clara del órgano que una radiografía o una tomografía axial computarizada (TAC). Sin embargo, incluso la RMN tiene sus defectos. Tal y como explica Jan Sijbers, catedrático de la Universidad de Amberes: «Aunque las RMN se destacan por proporcionar imágenes muy detalladas, estas imágenes son cualitativas. Esto significa que el contraste que se obtiene depende en gran medida no solo de los tejidos subyacentes, sino también del tipo de escáner y protocolo que se utiliza para capturar la imagen». Esta naturaleza cualitativa de las RMN puede dificultar la capacidad de un radiólogo para realizar una comparación cuantitativa de las propiedades del tejido durante un análisis, entre exploraciones sucesivas y entre sujetos, todo lo que puede ser esencial para llegar a un diagnóstico adecuado.
Medición precisa de las características del encéfalo
Esta limitación ha llevado al desarrollo de la RMN cuantitativa. Sijbers explica: «En la RMN cuantitativa, el contraste está directamente relacionado con las características biofísicas subyacentes del tejido blando, lo que mejora sustancialmente el diagnóstico clínico. El problema es que implican un tiempo de exploración prolongado, lo que las hace incómodas para el paciente y costosas para el centro sanitario». Con el apoyo del proyecto B-Q MINDED, financiado con fondos europeos, Sijbers lidera un esfuerzo para cerrar la brecha entre las RMN cualitativas y cuantitativas. «Nuestro objetivo era transformar la RMN de una modalidad de obtención de imágenes pura en una herramienta cuantitativa para la medición precisa de las características del encéfalo».
Mejorar la atención al paciente
Uno de los resultados principales del proyecto fue el desarrollo y la validación de los métodos de reconstrucción de superresolución (SRR, por sus siglas en inglés). Estos métodos permiten que un radiólogo reconstruya imágenes claras de alta resolución a partir de una imagen de baja resolución de un solo cuadro. Con estos métodos, los investigadores del proyecto pudieron calcular mapas de parámetros de RMN cuantitativas de alta resolución mediante un conjunto de imágenes cualitativas de resonancia magnética de baja resolución. «El uso de los métodos de SRR redujo sustancialmente el tiempo de adquisición mientras que retuvo la resolución espacial y la relación señal/ruido», agrega Sijbers. Los investigadores también desarrollaron métodos para la armonización de datos y la estimación sólida de los parámetros de difusión. Otro logro importante fue la realización exitosa de mapas T1 (tiempo de relajación longitudinal) y T2 (tiempo de relajación transversal) basadosen máquinas de inferencia recurrentes, un logro que resultó en una reducción de cien veces en el tiempo necesario para inferir mapas cuantitativos. «Estos resultados permitirán a los radiólogos llegar a conclusiones más fáciles y objetivas sobre el estado de las encefalopatías, lo que en última instancia mejora la atención al paciente», señala Sijbers.
Avances adicionales en la RMN cuantitativa
Según Sijbers, el éxito de este proyecto, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, es el resultado directo de los quince jóvenes y brillantes investigadores noveles que participaron en el trabajo. «Fue un verdadero privilegio ser parte de este equipo dinámico y ver cómo trabajaban juntos para desarrollar y aplicar de manera efectiva métodos de RMN cuantitativa en la práctica preclínica —expresa—. Hicieron de este el proyecto el más interesante y fascinante de mi carrera». Estos investigadores ahora tomarán la experiencia y el conocimiento que adquirieron durante el proyecto y los aplicarán para seguir avanzando en el campo de la RMN cuantitativa. Al mismo tiempo, Sijbers pronto comenzará a trabajar con una nueva generación de investigadores noveles en un proyecto que busca incorporar la inteligencia artificial en los métodos de RMN cuantitativa.
Palabras clave
B-Q MINDED, RMN cuantitativa, radiólogo, encefalopatía, obtención de imágenes, diagnóstico, reconstrucción de superresolución, SRR, investigadores noveles, inteligencia artificial
