INVESTIGACIÓN

PROYECTOS

ÁREAS DE INVESTIGACIÓN

Tecnologías de imágenes médicas para el diagnóstico temprano y no invasivo de enfermedades 

Las imágenes médicas son esenciales para la toma de decisiones clínicas no invasivas. Sin embargo, todavía carecen de una caracterización integral y cuantitativa de la enfermedad (requerida para la medicina de precisión), no están integradas con otros datos médicos de los pacientes y son costosas. El costo de las imágenes médicas, como la resonancia magnética (MRI), la tomografía computarizada (CT), el ultrasonido (US) y la tomografía por emisión de positrones (PET) están asociados con los costos operativos (escáner/tiempo del personal), la necesidad de personal altamente capacitado y el propio equipo. Para superar estos desafíos, en iHEALTH tenemos como objetivo desarrollar métodos innovadores que integren la física/ingeniería de imágenes médicas, otros datos médicos de los pacientes y la inteligencia artificial (IA), desde la adquisición de datos hasta la toma de decisiones clínicas, y evaluarlos en hospitales de Chile.

Problemas inversos para la reconstrucción de imágenes médicas y reducción de los tiempos de escaneo

Las imágenes médicas requieren un modelo analítico de la adquisición y la resolución de problemas inversos para reconstruir imágenes a partir de datos sin procesar (medidos en un dominio diferente, por ejemplo, el dominio (p. ej., fibrosis, inflamación) . que luego se utilizan para el análisis y la interpretación. Estos problemas inversos son ill-posed y requieren suficientes datos para generar imágenes de buena calidad lo que limita la capacidad de las imágenes médicas para capturar el espectro completo de procesos relacionados con enfermedades, En iHEALTH, nuestro objetivo es desarrollar métodos innovadores que incorporen modelos físicos de la adquisición y del órgano de interés en el proceso de reconstrucción, así como explotar sinergias entre las modalidades de imágenes médicas, las diferentes etapas del proceso de imágenes médicas y/o entre sistemas con diferentes especificaciones. Esto con el objetivo de mejorar las imágenes médicas, su eficiencia (escaneos más rápidos y/o con menor dosis de radiación), eficacia (captura de un espectro más amplio de procesos relacionados con enfermedades) y accesibilidad (soluciones para sistemas regulares y de menor costo). 

Métodos de inteligencia artificial informados por la física para imágenes médicas adquisición, procesamiento y diagnóstico

Se han propuesto métodos basados ​​en inteligencia artificial (IA) para automatizar varios aspectos del proceso de imágenes médicas, incluida la adquisición, el procesamiento y el diagnóstico de imágenes médicas. Sin embargo, la mayoría de las soluciones actuales se basan en modelos genéricos basados ​​en datos que requieren grandes conjuntos de entrenamiento, que generalmente no están disponibles en el área de imágenes médicas. Además, la mayoría de las soluciones actuales se desarrollan para poblaciones y tecnologías específicas y, en su mayoría, carecen de interpretabilidad. En iHEALTH, nuestro objetivo es desarrollar métodos innovadores que incorporen modelos físicos de la generación de la señal para las distintas técnicas de imágenes médicas así como del órgano de interés en soluciones de IA informadas por la física. Esto permitirá explotar tanto la información proveniente de los datos como aquella proveniente de la física subyacente para mejorar la adquisición, el procesamiento y el diagnóstico de imágenes médicas.

Inteligencia artificial fiable y explicable métodos que integran imágenes médicas y otros datos clínicos del paciente

Se han propuesto métodos basados ​​en inteligencia artificial (IA) para automatizar varios aspectos del proceso de imágenes médicas. La mayoría de estos métodos se centran en el análisis de las imágenes una vez adquiridas y reconstruidas, se basan en modelos de “caja negra”, y su éxito depende en contar con una gran cantidad de imágenes de alta calidad. Sin embargo, el acceso a las imágenes médicas es limitado (aún más cuando se requieren datos etiquetados), no estandarizado y con una calidad dispar, lo que hace que la mayoría de los métodos no se puedan generalizar a diferentes escenarios como por ejemplo, entre hospitales u entre cohortes de pacientes. Además, la mayoría de las soluciones actuales se desarrollan para poblaciones/tecnologías específicas y en su mayoría carecen de interpretabilidad. En iHEALTH, nuestro objetivo es desarrollar métodos de IA explicable (XAI, por su sigla en inglés) que integren datos médicos de imágenes y de no imágenes (por ejemplo, registros clínicos electrónicos, sensores) para proporcionar informes, diagnósticos y análisis clínicos asistidos por IA precisos, confiables e interpretables.

Biomarcadores basados ​​en imágenes y sensores fisiológicos para el diagnóstico temprano y la caracterización de enfermedades cardiovasculares, hepáticas y cancerosas

Las enfermedades cardiovasculares (CVD, por su sigla en inglés), oncológicas y el hígado graso no alcohólico (NAFLD, por su sigla en inglés) son la principal causa de morbilidad y mortalidad en el mundo occidental. Los estándares clínicos para diagnosticar la mayoría de estas condiciones siguen siendo invasivos (p. ej., angiografía por rayos X, biopsia). Se han propuesto avances en imágenes médicas y análisis basados ​​en inteligencia artificial (IA) para la evaluación no invasiva, pero los métodos actuales tienen una sensibilidad limitada para los procesos relacionados con enfermedades en etapas tempranas y carecen en gran medida de reproducibilidad y generalización. Esto último también se debe a la inexistencia de biobancos de imágenes médicas avanzadas en países como Chile. En iHEALTH nuestro objetivo es desarrollar biomarcadores innovadores basados ​​en imágenes y sensores fisiológicos para permitir el diagnóstico temprano y la caracterización de enfermedades cardiovasculares, hepáticas y cancerosas.

Métodos de inteligencia artificial informados por la física para imágenes médicas adquisición, procesamiento y diagnóstico

Se han propuesto métodos basados ​​en inteligencia artificial (IA) para automatizar varios aspectos del proceso de imágenes médicas, incluida la adquisición, el procesamiento y el diagnóstico de imágenes médicas. Sin embargo, la mayoría de las soluciones actuales se basan en modelos genéricos basados ​​en datos que requieren grandes conjuntos de entrenamiento, que generalmente no están disponibles en el área de imágenes médicas. Además, la mayoría de las soluciones actuales se desarrollan para poblaciones y tecnologías específicas y, en su mayoría, carecen de interpretabilidad. En iHEALTH, nuestro objetivo es desarrollar métodos innovadores que incorporen modelos físicos de la generación de la señal para las distintas técnicas de imágenes médicas así como del órgano de interés en soluciones de IA informadas por la física. Esto permitirá explotar tanto la información proveniente de los datos como aquella proveniente de la física subyacente para mejorar la adquisición, el procesamiento y el diagnóstico de imágenes médicas.

PROYECTOS DE INVESTIGACIÓN

Resonancia magnética totalmente cuantitativa 

Las imágenes médicas requieren la adquisición secuencial de varias imágenes anatómicas/funcionales (principalmente cualitativas) y la interpretación experta subjetiva para correlacionar los hallazgos de las imágenes con un diagnóstico. La imagenología médica cuantitativa es un eje de investigación fundamental en MRI. Sin embargo, las soluciones actuales todavía están limitadas por su precisión, el número restringido de parámetros cuantificables y por la falta de reproducibilidad y estandarización. Además, la calidad de la imagen puede verse afectada por las imperfecciones del sistema, el movimiento y otros factores de confusión, lo que dificulta el análisis y la interpretación. En este proyecto, nuestro objetivo es desarrollar una MRI precisa y fácil de usar/interpretar (examen de "un click") capaz de proporcionar una caracterización cuantitativa completa del tejido(p. ej., fibrosis, inflamación) a partir de un escaneo único y rápido.  . 

MRI multiparamétrica para la evaluación de la toxicidad cardiaca aguda inducida por radioterapia torácica

Hoy en día, el cáncer se ubica como una de las principales causas de muerte. A pesar de la gran cantidad de nuevas terapias disponibles, la radioterapia sigue siendo el método -no quirúrgico- más eficaz para curar a los pacientes con cáncer. De hecho, aproximadamente el 50% de todos los pacientes con cáncer reciben algún tipo de radioterapia y, de estos, el 60% recibe tratamiento de radioterapia con intención curativa. Sin embargo, como ocurre con cualquier otra terapia oncológica, los pacientes tratados con radioterapia pueden experimentar efectos secundarios de toxicidad que van de moderados a graves. Entre estos, la cardiotoxicidad representa una amenaza importante de muerte prematura. Los métodos actuales evalúan el daño cardiotóxico en función de los cambios volumétricos en la fracción de eyección del ventrículo izquierdo (LVEF, por su sigla en inglés). De hecho, una caída del 10% en la LVEF se usa comúnmente como indicador de cardiotoxicidad. Más recientemente, se han desarrollado varias técnicas novedosas que mejoran significativamente la especificidad y la sensibilidad de los cambios volumétricos del corazón y la detección temprana de cardiotoxicidad incluso en pacientes asintomáticos. En este proyecto, utilizaremos una nueva resonancia magnética multiparamétrica para caracterizar el tejido miocárdico y el análisis de tensión para desarrollar biomarcadores tempranos de cardiotoxicidad en una cohorte de pacientes que recibirán radioterapia. 

Generación Automática de Reportes de Imágenes Médicas
La tarea de Generación de Reportes de Imágenes Médicas puede ser de gran apoyo para los médicos. Desde una perspectiva computacional, la tarea de generación de informes de imágenes médicas se puede describir de la siguiente manera: dadas como entrada una o más imágenes médicas de un paciente, se genera un informe de texto lo más similar posible al generado por un radiólogo. Desde el punto de vista del aprendizaje automático, crear un sistema que realice tal tarea requeriría aprender un modelo generativo a partir de instancias de informes escritos por radiólogos. Este proyecto tiene como objetivo crear la tecnología para generar automáticamente informes a partir de imágenes médicas.

ARTÍCULOS DE REVISTAS CIENTÍFICAS

2021

“Level set segmentation with shape prior knowledge using intrinsic rotation, translation and scaling alignment”

Autores: Cristobal Arrieta, Carlos A.Sing-Long, Joaquin Mura, Pablo Irarrazaval, Marcelo E.Andia, Sergio Uribe, CristianTejos.

Revista: Biomedical Signal Processing and Control, January 2021, 63:102241.

“Comparison of parameter optimization methods for quantitative susceptibility mapping”

Autores: Carlos Milovic, Claudia Prieto, Berkin Bilgic, Sergio Uribe, Julio Acosta Cabronero, Pablo Irarrazaval, Cristian Tejos.

Revista: Magnetic resonance in medicine, 2021 Jan;85(1):480-494.

“Fully self-gated free-running 3D Cartesian cardiac CINE with isotropic whole-heart coverage in less than 2 min”

Autores: Thomas Küstner,Aurelien Bustin,Olivier Jaubert,Reza Hajhosseiny,Pier Giorgio Masci,Radhouene Neji,René Botnar,Claudia Prieto.

Revista: NMR in Biomedicine. 2021; 34:e4409.

“Circadian Rhythm of Blood Pressure of Dipper and Non-dipper Patients With Essential Hypertension: A Mathematical Modeling Approach”

Autores: Javiera Cortés-Ríos, Maria Rodriguez-Fernandez.

Revista: Frontiers in physiology. 2021 Jan 18;11:536146.

“Using machine learning to predict complications in pregnancy: a systematic review”

Autores: Ayleen Bertini, Rodrigo Salas, Steren Chabert, Luis Sobrevia, Fabián Pardo.

Revista: Frontiers in bioengineering and biotechnology. 2022 Jan 19;9:780389.

“Alert Classification for the ALeRCE Broker System: The Light Curve Classifier”

Autores: Sánchez-Sáez, I. Reyes, C. Valenzuela, F. Förster, S. Eyheramendy, F. Elorrieta, F. E. Bauer, G. Cabrera-Vives, P. A. Estévez, M. Catelan.

Revista: The Astronomical journal, 161(3):141. ​

“Level set segmentation with shape prior knowledge using intrinsic rotation, translation and scaling alignment”

Autores: Cristobal Arrieta, Carlos A.Sing-Long, Joaquin Mura, Pablo Irarrazaval, Marcelo E.Andia, Sergio Uribe, CristianTejos.

Revista: Biomedical Signal Processing and Control, January 2021, 63:102241.

“Alert Classification for the ALeRCE Broker System: The Light Curve Classifier”

Autores: P. Sánchez-Sáez, I. Reyes, C. Valenzuela, F. Förster, S. Eyheramendy, F. Elorrieta, F. E. Bauer, G. Cabrera-Vives, P. A. Estévez, M. Catelan.

Revista: The Astronomical journal, 161(3):141

Hepatoprotective species from the Chilean medicinal flora: Junellia spathulata (Verbenaceae)”

Autores: Bridi R, Lino von Poser G, Gómez M, Andia ME, Oyarzún JE, Núñez P, Vasquez Arias AJ, Espinosa-Bustos C.

Revista: Journal of Ethnopharmacology. 2021 Mar 1;267:113543.

“A self-identification Neuro-Fuzzy inference framework for modeling rainfall-runoff in a Chilean watershed”

Autores: Yerel Morales, Marvin Querales, Harvey Rosas, Héctor Allende-Cid, Rodrigo Salas.

Revista: Journal of Hydrology, March 2021, 594:125910.

“High-Spatial-Resolution 3D Whole-Heart MRI T2 Mapping for Assessment of Myocarditis”

Autores: Aurélien Bustin, Alina Hua, Giorgia Milotta, Olivier Jaubert, Reza Hajhosseiny, Tevfik F Ismail, René M Botnar, Claudia Prieto.

Revista: Radiology. 2021 Mar;298(3):578-586​.

“Identification of Statin’s action in a small cohort of patients with major depression”

Autores: Ishani Thakkar, Teresa Massardo, Jaime Pereira, Juan Carlos Quintana, Luis Risco, Claudia G Saez, Sebastián Corral, Carolina Villa, Jane Spuler, Nixa Olivares, Guillermo Valenzuela, Gabriel Castro, Byron Riedel, Daniel Vicentini, Diego Muñoz, Raúl Lastra, Maria Rodriguez-Fernandez.

Revista: Applied Sciences, 2021, 11(6), 2827.

“Comparison of a tonometric with an oscillometric blood pressure monitoring device over 24 hours of ambulatory use”

Autores: Martin Miranda Hurtado, Javiera Reyes Vasquez, Maria Rodriguez-Fernandez.

Revista: Blood Pressure Monitoring. 2021 Apr1;26(2):149-155.

“HARP-I: a harmonic phase interpolation method for the estimation of motion from tagged MR images”

Autores: Hernan Mella, Joaquin Mura, Hui Wang, Michael D Taylor, Radomir Chabiniok, Jaroslav Tintera, Julio Sotelo, Sergio Uribe.

Revista: IEEE transactions on medical imaging. 2021 Apr;40(4):1240-1252.

“Assessment of respiratory tracking methods for motion correction in cardiac PET”

Autores: A Villagran Asiares , C Munoz , T Kuestner , T Vitadello , C Rischpler , T Ibrahim , R Botnar , C Prieto , SG Nekolla.

Revista: Nuklearmedizin 2021; 60(02): 157-158

“Channel Attention Networks for Robust MR Fingerprint Matching”

Autores: Soyak R.,Navruz E.,Ersoy E.O.,Cruz G.,Prieto C.,King A.P.,Unay D.,Oksuz I.

Revista: IEEE Transactions on Biomedical Engineering, vol. 69, no. 4, pp. 1398-1405, April 2022.

“Quantitative magnetization transfer imaging for non-contrast enhanced detection of myocardial fibrosis”

Autores: Karina López, Radhouene Neji, Aurelien Bustin, Imran Rashid, Reza Hajhosseiny, Shaihan J Malik, Rui Pedro A G Teixeira, Reza Razavi, Claudia Prieto, Sébastien Roujol, René M Botnar.

Revista: Magnetic Resonance in Medicine. 2021 Apr;85(4):2069-2083.

“T1, T2, and Fat Fraction Cardiac MR Fingerprinting: Preliminary Clinical Evaluation”

Autores: Jaubert, O., Cruz, G., Bustin, A., Hajhosseiny, R., Nazir, S., Schneider, T., Koken, P., Doneva, M., Rueckert, D., Masci, P.-G., Botnar, R.M. and Prieto, C. (2021)

Revista: J Magn Reson Imaging, 53: 1253-1265.

“Aluminum Casting Inspection using Deep Object Detection Methods and Simulated Ellipsoidal Defects”

Autores: Mery, D. (2021”).

Revista: Machine Vision and Applications, 32(3)

“The Automatic Learning for the Rapid Classification of Events (ALeRCE) Alert Broker”

Autores: F. Förster, G. Cabrera-Vives, E. Castillo-Navarrete, P. A. Estévez, P. Sánchez-Sáez, J. Arredondo, F. E. Bauer, R. Carrasco-Davis, M. Catelan, F. Elorrieta.

Revista:The Astronomical journal, 161(5): 242.

LIBROS

Computer Vision for X-Ray Testing 

Chapter 63 – Thrombosis and Embolism 

Fully self-gated free-running 3D Cartesian cardiac CINE with isotropic whole-heart coverage in less than 2 min

HARP-I: a harmonic phase interpolation method for the estimation of motion from tagged MR images 

PATENTES

Method of performing magnetic resonance imaging and a magnetic resonance apparatus

Method of reconstructing magnetic resonance image data

Expansion valve and vapour compression system