Trascrizione
00:00:00Eccoci ritrovati per quest'ultima parte
00:00:03riguardante, come abbiamo detto,
00:00:05le applicazioni di intelligenza artificiale
00:00:07e soprattutto quelle che risultano essere.
00:00:10E un piccolo cenno sulle prospettive future
00:00:13non strettamente legate per forza al al.
00:00:17L'esame di risonanza magnetica cardiaca al tre Tesla,
00:00:20ma penso che sia fondamentale per
00:00:22noi che stiamo gestendo questa fase di passaggio di transizione tra
00:00:25le macchine senza alle macchine con intelligenza artificiale.
00:00:29Io stesso mi trovo a lavorare con tutte e
00:00:31due le tipologie di macchinario e quindi è importante conoscere
00:00:34quello che fa allo stato
00:00:35dell'arte l'intelligenza artificiale attualmente
00:00:38e quelle che sono le possibilità per noi di setting di sequenza.
00:00:42Come ho detto nella prima parte in
00:00:43cui abbiamo studiato il triangolo.
00:00:46Andiamo a vedere che cos'è
00:00:49innanzitutto l'intelligenza artificiale e quando è nata.
00:00:51Innanzitutto è nata probabilmente nel 1936 da Alan Turing,
00:00:56che anche nel famoso test di Turing no.
00:00:59Lo dice anche nel film The Imitation Game,
00:01:01che racconta di come
00:01:03è stato decifrato il codice
00:01:04Enigma È stato il padre dell'informatica,
00:01:07il padre del computer,
00:01:08ma era anche colui che già nella testa aveva
00:01:11i prodromi di quella che era l'intelligenza artificiale.
00:01:12C'è una scena bellissima del film in cui lui racconta
00:01:15all'ispettore la storia di come hanno decifrato il codice Enigma,
00:01:18che è secretata a livello nazionale e che uscì tantissimi anni dopo
00:01:23la sua morte e in
00:01:26cui proprio dice all'ispettore allora facciamo un gioco,
00:01:29io le racconto una storia e lei mi deve
00:01:32identificare e dire se questa storia è vera oppure no.
00:01:34Ecco. Questo test che
00:01:39poi fu Alan Turing lì davanti
00:01:41all'ispettore durante il film e che è il test di Turing,
00:01:44sostanzialmente rappresenta una delle architetture delle reti,
00:01:47diciamo neurali maggiormente utilizzate
00:01:50per l'imaging generativo e sintetico,
00:01:52che sono le reti che hanno per esempio le reti generative,
00:01:54e viene identificata quindi l'intelligenza artificiale
00:01:57come un sistema che ha capacità di apprendere,
00:02:01di simulare il ragionamento umano, la pianificazione,
00:02:05la creatività e quindi tutti i sistemi di deep learning sono molto
00:02:10simili a quelle che sono le reti neurali che vanno
00:02:13a configurare l'encefalo umano.
00:02:15Nel 1950 ad Harvard,
00:02:17ad esempio, è stata sviluppata la prima rete neurale, lo Snark.
00:02:21Nel 1997, per esempio,
00:02:23IBM fu la prima ad inventare
00:02:26un grandissimo processore che se non sbaglio si chiamava
00:02:28Deep Blue e che riuscì a battere Kasparov,
00:02:32il campione sovietico di scacchi dell'epoca.
00:02:35E nel 2011 Google se non sbaglio,
00:02:37vado a memoria, fece la stessa cosa,
00:02:40ma sviluppando un sistema di intelligenza artificiale
00:02:45in grado di battere il campione mondiale di Go,
00:02:47che è un gioco di natura cinese
00:02:50un po più complesso in realtà degli scacchi.
00:02:53Ma la cosa interessante è che la differenza tra il sistema
00:02:55del 97 e il sistema del 2011 era che nel sistema del 97,
00:03:01che era un machine learning
00:03:02quindi sostanzialmente l'umano inseriva i dati con cui trainare
00:03:07quindi con cui allenare il sistema era settato
00:03:10per battere specificatamente Kasparov,
00:03:12mentre nel 2011 il sistema,
00:03:15che era un sistema di deep learning puro,
00:03:17quello sviluppato da Google,
00:03:18aveva appreso le regole del gioco,
00:03:21era stata allenata quindi su milioni di campionati di partite
00:03:25che erano state caricate all'interno della rete e e non
00:03:30quindi settata per battere
00:03:32un campione specifico ed è
00:03:33riuscita comunque a battere il campione del mondo
00:03:35quindi questo per fare un
00:03:37piccolo cappello introduttivo sull'intelligenza artificiale.
00:03:41Come abbiamo detto si
00:03:43alterna su machine learning quindi
00:03:45con la componente diciamo di inserimento dei dati
00:03:48dell'uomo e deep learning dove l'uomo
00:03:50non inserisce dati ma viene fatto
00:03:52tutto no dal dal sistema di
00:03:55rete ma passiamo generalmente subito a quelle che sono
00:03:58le architetture neurali maggiormente utilizzate a livello del di
00:04:03risonanza magnetica e sono sicuramente
00:04:05le CNN le neuro al network e le GAN o reti generative.
00:04:09Anche i sistemi encoder decoder vengono molto utilizzati e
00:04:12come abbiamo detto vengono.
00:04:13I vantaggi riguardano semplicemente quello che è il minor tempo
00:04:16di acquisizione delle immagini una
00:04:19operazione di Denison delle immagini.
00:04:22E soprattutto un'implementazione della risoluzione spaziale.
00:04:26Passiamo ad analizzare brevemente quelle che sono le CNN,
00:04:30quindi le Conventional Neural Network.
00:04:32Diciamo che c'è un input layer,
00:04:35un output layer e delle reti nascoste.
00:04:38Allora considerate che si stima che se noi dovessimo
00:04:41addestrare un sistema con migliaia di hidden layer,
00:04:45quindi migliaia di reti nascoste,
00:04:47ci servirebbero una quantità di
00:04:50dati Che non basterebbero
00:04:53tutti i dati presenti in internet per allenarla.
00:04:56Quindi questo vuol dire che già siamo arrivati quasi a un limite,
00:04:59quasi un effetto paradosso di
00:05:00quello che risultano essere le reti artificiali,
00:05:02cioè quanti layer posso avere prima di
00:05:07avere la necessità di utilizzare delle reti,
00:05:10per esempio generative, per generare dei dati
00:05:12per addestrare una rete CNN.
00:05:15Pensate a questo problema
00:05:18tra virgolette perché il problema dei dati
00:05:20della qualità del dato che si utilizza
00:05:22per addestrare le reti è quello su cui
00:05:24adesso si stanno concentrando i maggiori
00:05:25esperti di intelligenza artificiale.
00:05:27Al momento c'è
00:05:29un grande fortissimo dibattito su questo cioè che dato devo
00:05:33prendere la qualità del dato da
00:05:35utilizzare l'allenamento delle reti come deve essere effettuato.
00:05:39In sostanza queste reti si sviluppano in
00:05:42delle operazioni di convoluzione di file unit e pooling
00:05:45che si ripetono nel tempo e servono per
00:05:49addestrare il sistema a riconoscere dei
00:05:53specifici dei distretti o dei
00:05:57specifici particolari di un di una determinata struttura.
00:06:00Ad esempio se io dico alla mia intelligenza
00:06:03artificiale di classificarli il mondo degli autoveicoli
00:06:06non esiste solo la macchina
00:06:08c'è la macchina c'è il SUV c'è il camper c'è la
00:06:11bicicletta c'è il motociclo
00:06:14il monopattino quindi diciamo tutti i veicoli con ruote.
00:06:17Ne esistono tantissimi e quindi la macchina tramite queste
00:06:20prime operazioni di convoluzione di file unit e pooling,
00:06:24si addestra a riconoscere elementi
00:06:27conformi tra le diverse tipologie di autoveicolo.
00:06:31Abbiamo poi vengono eliminati e corretti,
00:06:35eliminati i valori negativi e corretti eventuali
00:06:37bias e si passa magari
00:06:39a riconoscere poi sempre qualcosa di più specifico,
00:06:42qualcosa di più piccolo affinché si arriva ai penultimi.
00:06:45Due, diciamo.
00:06:49Layer che sono uno innanzitutto fully connected tra di loro,
00:06:55quindi tutti interconnessi tra di loro.
00:06:58Nel penultimo abbiamo un vettore K che ci da una stima di
00:07:03quella che sono le classi che vengono che sono
00:07:05state predette cioè autoveicoli.
00:07:08Lui dice io ho trovato dieci classi di autoveicoli
00:07:11nell'ultimo questi vengono classificati quindi come
00:07:14vedete per esempio nell'esempio car truck Van.
00:07:17Fino ad arrivare alla bicicletta
00:07:18il monopattino che fanno parte di questo sistema di
00:07:21addestramento della rete qual è
00:07:23l'utilizzo che ne viene fatto innanzitutto per
00:07:25esempio per le immagini mediche per tutti gli istologici
00:07:28voi pensate a un'analisi di
00:07:29migliaia di centinaia di istologici che vengono analizzati,
00:07:32in cui viene discriminata
00:07:34la benignità o la malignità delle cellule.
00:07:37Poi tutti i processi audio tutti in casa avrete un Alexa,
00:07:41avrete Siri o comunque tutti i sistemi con cui interagire.
00:07:45Anche quelli sono sistemi di intelligenza artificiale.
00:07:47tutti quelli che stanno sviluppando macchine che usano
00:07:50il pilota automatico oppure
00:07:53la generazione di dati sintetici o
00:07:56generativi tramite le reti che hanno reti GAN.
00:07:59Estremamente interessanti perché furono introdotte da Young Fellow
00:08:02nel 2014.
00:08:03Come vi dicevo, rappresentano un po la scena,
00:08:06quella di The Imitation Game,
00:08:08in cui abbiamo Turing davanti
00:08:10all'ispettore che gli racconta una storia.
00:08:13Qui abbiamo un generatore, un discriminatore.
00:08:15Il generatore sostanzialmente genera delle immagini.
00:08:19Abbiamo un box, un tank in cui ci sono
00:08:21immagini invece reali, quindi non generate.
00:08:24Il discriminatore deve
00:08:25dire se l'immagine creata dal generatore è vera oppure no.
00:08:29Più il generatore, diciamo,
00:08:32aumenta la sua capacità di creare immagini,
00:08:36più il discriminatore farà fatica fino
00:08:38a che un momento si arriverà in cui
00:08:39il generatore riesce a ingannare
00:08:42il discriminatore nel processo di addestramento.
00:08:44Qual è il problema di queste reti?
00:08:46In realtà che l'addestramento è un po complesso perché
00:08:49rischiano di prendere una deriva particolare,
00:08:53quindi di generare dei dati realistici ma non reali.
00:08:57Per questo prima dicevamo che l'importanza del dato è
00:09:00fondamentale nel momento in
00:09:02cui vogliamo addestrare una rete artificiale.
00:09:05Ma è importante anche capire
00:09:08dove i sistemi di intelligenza artificiale,
00:09:11attualmente in risonanza magnetica,
00:09:12lavorano e lavorano in approccio singolo o in approccio multiplo.
00:09:16In approccio singolo abbiamo l'imaging human learning,
00:09:19dove l'intelligenza artificiale abbiamo
00:09:22un sotto campionamento dello spazio K,
00:09:24l'applicazione dell'inversione della trasformata di Fourier,
00:09:28l'iniziale ricostruzione dell'immagine,
00:09:31l'applicazione della rete neurale,
00:09:32quindi il processo di implementazione della risoluzione spaziale
00:09:36e miglioramento della qualità generale
00:09:38dell'immagine e la ricostruzione finale.
00:09:41Abbiamo il K space Domain Learning,
00:09:43dove invece l'intelligenza artificiale viene acquisita nel momento
00:09:47del sotto campionamento dei dati dallo spazio K. Allora in
00:09:51questo caso se i dati l'intelligenza artificiale entra
00:09:56in gioco nel momento in cui acquisiamo
00:09:59i dati dallo spazio K potremo velocizzare
00:10:01il processo di acquisizione comunque
00:10:04migliorare il rumore quindi fare housing migliorare
00:10:08la risoluzione spaziale quindi aumentare l'interpolazione dei dati.
00:10:11Poi verrà sempre applicata la trasformata di Fourier inversa,
00:10:15avremo la ricostruzione dell'immagine magnitudo modulo
00:10:17oppure si sta lavorando adesso al direct mapping,
00:10:20cioè dal lander sampling,
00:10:22quindi al sotto campionamento dello spazio K si
00:10:25passa all'immagine magnitudo modulo.
00:10:26Ma questo è il sistema che attualmente
00:10:29è meno preciso perché può sviluppare più artefatti cartoon like
00:10:33più artefatti da rumore perché meno preciso Ok perché viene saltato
00:10:37sostanzialmente un passaggio oppure
00:10:40ci può essere un approccio multiplo,
00:10:42il Cross Domain learning,
00:10:43che è quello che lavora attualmente meglio
00:10:45di tutti perché under sampling,
00:10:48quindi sotto campionamento dello spazio K,
00:10:50applicazione dell'intelligenza artificiale, quindi
00:10:52correzione del rumore, implementazione della velocità,
00:10:56poi applicazione della trasformata di Fourier iniziale,
00:11:00ricostruzione dell'immagine,
00:11:02ri applicazione del sistema di intelligenza
00:11:04artificiale e ricostruzione dell'immagine magnitudo modulo.
00:11:07Chiaramente questo cross domain learning richiede molto tempo,
00:11:10perché l'intelligenza artificiale viene applicata
00:11:12in due processi fondamentali,
00:11:14ma ci dà immagini di qualità assoluta, oppure iterative learning,
00:11:22dove il processo diciamo di intelligenza artificiale arriva
00:11:27solo tra l'iniziale ricostruzione
00:11:30dell'immagine e la ricostruzione dell'immagine finale,
00:11:32ma avviene un gioco della trasformata
00:11:35di Fourier inversa e non trasformata
00:11:37di Fourier in applicazione che è
00:11:39molto interessante per andare a
00:11:43correggere gli artefatti o avere comunque degli iper parametri,
00:11:48però in questo caso è ancora in fase di sviluppo,
00:11:51quindi non si trova implementata sugli scanner.
00:11:54E ancora in fase di sviluppo perché
00:11:56l'iterazione e la velocità delle ricostruzioni è
00:12:00molto lenta e può
00:12:01provocare comunque anche in
00:12:02questo caso degli artefatti a livello dell'immagine.
00:12:04Quindi, come abbiamo visto,
00:12:05cinque modalità diverse singola e multipla,
00:12:08con le loro relative caratteristiche a seconda del momento in
00:12:12cui l'intelligenza artificiale entra in
00:12:13gioco nel processo di acquisizione delle immagini.
00:12:15Le criticità, come abbiamo detto,
00:12:18sono disponibilità dei dati,
00:12:19problemi di natura etica e quantità di energia
00:12:22utilizzata dai processori.
00:12:24Abbiamo adesso un iniziale esempio.
00:12:26Vi sto facendo vedere di come lavorano i
00:12:28principali sistemi di intelligenza artificiale dei
00:12:31macchinari su e su Philips,
00:12:33ma anche su United.
00:12:35Generalmente tu puoi stabilire
00:12:36low medium o high level di
00:12:39intelligenza artificiale e la macchina poi attua
00:12:42tutti i processi da sé.
00:12:43Su Siemens invece, un po più articolata
00:12:46la questione perché abbiamo il deep reso il
00:12:48boost dell'acquisizione di deep learning effettiva,
00:12:51ma tu puoi anche lavorare senza boost e
00:12:54mettere la parte game nella parte
00:12:56Sharp che riguardano la parte gain,
00:12:58il housing dell'immagine, la parte Sharp.
00:13:01Diciamo semplicemente l'aumento delle
00:13:04interpolazione dati della matrice,
00:13:06quindi della definizione della qualità dell'immagine stessa.
00:13:11Altri elementi,
00:13:14altri task che si possono effettuare chiaramente posizionamento
00:13:17automatico del paziente anche il
00:13:18posizionamento automatico dei pacchetti,
00:13:20cosa che si può fare anche sul cuore.
00:13:22Qualcuno dirà è una bella novità.
00:13:24Secondo me no, perché se noi ci abituiamo
00:13:28a posizionare anche il pacchetto perdiamo
00:13:32tanto contatto secondo me con la metodica.
00:13:35Un'altra cosa molto importante da considerare è che in
00:13:38tutti quei pazienti con delle agenzie particolari,
00:13:42chiaramente il sistema non lavora in maniera corretta.
00:13:45Quindi è importante che l'occhio
00:13:48umano resti sempre vigile perché riconosce dei punti di
00:13:50repere laddove il punto di repere non c'è.
00:13:52Chiaramente non viene riconosciuto il pacchetto può
00:13:54essere inclinato in maniera sbagliata.
00:13:58Questa è una diapositiva che vi riassume sostanzialmente
00:14:02se vi ricordate quella di prima del multi dominio approach e
00:14:05quindi del vario approccio su come ricostruisce
00:14:08la macchina l'applicazione della ricostruzione così
00:14:11come viene fatta per esempio
00:14:13da il disprezzo di Siemens quindi Gain e boost,
00:14:18quindi il noise e la parte
00:14:19di deep learning vera e propria vengono eseguite quando
00:14:22vengono estratti dati dallo
00:14:24spazio K con sotto campionamento dello spazio K,
00:14:27mentre quando viene ricostruita l'immagine iniziale lavora
00:14:29il Deep sharp per ricostruire l'immagine finale.
00:14:32Per questo noi possiamo lavorare anche
00:14:34separatamente disattivando boost.
00:14:36E quindi proprio il deep learning vero
00:14:38e proprio e lavorando soltanto con gain e sharp.
00:14:42Quindi Gain sostanzialmente
00:14:44ci toglie quello che risulta essere il rumore.
00:14:49Sharp raddoppia la nostra matrice di acquisizione,
00:14:52quindi abbiamo un aumento della risoluzione
00:14:56spaziale e invece Boost
00:14:58è proprio l'applicazione del deep learning vero e proprio,
00:15:00così come facciamo sugli altri macchinari selezionando
00:15:02un livello low medium o
00:15:04high e quindi con anche una diminuzione di quello che risulta
00:15:08essere il tempo di acquisizione.
00:15:09E un'immagine che sostanzialmente ha una qualità molto alta.
00:15:13I pro quali sono in generale
00:15:16minor tempo di acquisizione l'abbiamo detto
00:15:18maggiore risoluzione spaziale un uso di sistemi di accelerazione
00:15:22importanti come può essere compresso
00:15:24sensing o comunque mezzi di accelerazione
00:15:27come il grappa o che lavorano comunque nel nello spazio K nello
00:15:34stimare quelle che sono le linee mancanti nello spazio K. Il contro
00:15:37che una maggiore influenza
00:15:39degli artefatti, soprattutto da movimento.
00:15:41Una maggior presenza di artefatti.
00:15:44Le immagini sembrano un po cartoon like un po plastificate
00:15:47e la presenza di artefatti da ribaltamento
00:15:49che portano a utilizzare dei FOV un pochettino più grandi.
00:15:52Quindi si perde un po di risoluzione
00:15:53spaziale che si compensa con l'aumento della matrice.
00:15:57Anche in questo caso vediamo come
00:16:00viene utilizzata l'intelligenza artificiale,
00:16:03in questo caso su sistemi Siemens.
00:16:05Come vedete viene attivata la
00:16:08modalità Acceleration Mode Grappa e poi soprattutto,
00:16:12come vedete qui è già impostato il boost,
00:16:14ma si può scegliere anche il gain.
00:16:16In modalità Medium, ma si può
00:16:19scegliere anche in modalità high o in modalità low.
00:16:22Lo Sharp quindi la parte di definizione che avviene
00:16:24dopo che abbiamo la ricostruzione iniziale dell'immagine
00:16:26già attivata e quando si attiva il gain.
00:16:29Quindi a livello dello spazio K per
00:16:30il noise si può decidere anche la potenza
00:16:33con cui lo andiamo ad attivare quindi
00:16:35il sistema Siemens mi
00:16:36ci sono soffermato un po di più perché è quello che utilizzo,
00:16:38ma soprattutto che è un po più
00:16:40articolato rispetto agli altri sistemi di intelligenza artificiale.
00:16:44Chiaramente la qualità delle immagini si traduce in questo.
00:16:47Vedete un asse corto
00:16:48T1 che comunque era buono
00:16:50col sistema di intelligenza artificiale in
00:16:53OFF migliora col sistema in ON perché l'immagine meglio definita.
00:16:58Andate a vedere tutte le colature
00:17:00del miocardio di sinistra del paziente
00:17:01come si visualizzano meglio.
00:17:03Ok con la parte col di preso va attivato con il deep learning
00:17:07attivato e abbiamo tutta un'operazione di housing importante.
00:17:11Anche in questo caso vi ho trasposto tre immagini una
00:17:16T1 convenzionale dura da 11 secondi,
00:17:18matrice 256 per 256,
00:17:20quindi Resolution 256 fece resolution 100%,
00:17:24una T1 con attivazione del deep resolve gain e sharp,
00:17:29quindi della correzione del rumore e della definizione
00:17:328 secondi di acquisizione quindi già siamo calati di 3 secondi.
00:17:35Abbiamo implementato addirittura
00:17:36la nostra matrice di acquisizione con boost attivato,
00:17:40quindi con gain e sharp già presenti.
00:17:43Stessa matrice ma l'abbattimento del tempo di acquisizione
00:17:484 secondi rispetto a 11 secondi di quella convenzionale,
00:17:50quindi quasi il 70% in meno.
00:17:55Altro esempio in questo caso sempre di un'altra porzione,
00:18:01se così possiamo dire,
00:18:02di immagine a livello di asse corto si traduce con.
00:18:07Stesso risultato matrice aumentata e tempo
00:18:10di acquisizione abbattuto da 14 a 5 secondi,
00:18:13anche qui di un buon 70%.
00:18:16Passiamo adesso a quelle che sono le prospettive future
00:18:19e le possibili evoluzioni innovazioni in
00:18:20campo cardiaco, non solo altre.
00:18:22Tesla Mi sono permesso
00:18:25la libertà di sdoganare questo perché lo conosco realmente.
00:18:30Un sistema 80 cm creato dalla Siemens zero
00:18:3355 Tesla super conduttivo free max,
00:18:36nel senso che ha una tecnologia off
00:18:38con praticamente sette litri di elio invece dei.
00:18:42Le migliaia di litri che vengono utilizzate nei superconduttori
00:18:45tradizionali sono direttamente in
00:18:48contatto con persone che lo utilizzano.
00:18:50Al Saint Thomas University di Londra,
00:18:53un ospedale dove fanno
00:18:54sostanzialmente cuore e che hanno risultati molto incoraggianti,
00:18:58soprattutto in tutti quei pazienti claustrofobici,
00:19:00tutti quei pazienti che devono eseguire studi di standard.
00:19:02Come ho detto nella prima parte,
00:19:04nel confronto tra uno e mezzo e tre Tesla.
00:19:06Se uno ha un ampio parco macchina può
00:19:08permettersi anche di scegliere dove dirottare
00:19:11i pazienti a seconda delle specificità.
00:19:15Passiamo a qualche applicazione
00:19:18particolare grazie alle tecniche di sensing,
00:19:22quindi al parallel imaging,
00:19:24e possiamo vedere come la qualità dell'immagine su questi
00:19:28macchinari si avvicini al 1,5 Tesla garantendo
00:19:34al paziente quindi nello zero 55 Tesla in questo caso
00:19:37con 80 cm di entry una risultato un outcome
00:19:42più favorevole e soprattutto
00:19:45un paziente che ha un senso di claustrofobia meno sviluppato.
00:19:49Quindi se io comunque riesco a fare un
00:19:51esame tradizionale in un paziente claustrofobico,
00:19:53a garantirgli un'esperienza comunque
00:19:57importante che gli lasci delle buone sensazioni,
00:20:00avrò un paziente maggiormente
00:20:02collaborante e maggiormente cooperativo
00:20:05anche per eseguire esami di controlli nel tempo.
00:20:08Altra tecnologia che può essere implementata,
00:20:12utilizzata sicuramente nei prossimi anni,
00:20:14è la Sir a sangue ghiacciato Art Freeze,
00:20:19sostanzialmente una tecnica di LG free breeding.
00:20:22Noi già utilizziamo per
00:20:24quello che riguardano le tecniche overview
00:20:26quindi sono delle immagini che vengono acquisite
00:20:28a respiro libero e che poi vengono attivati dei Moko
00:20:32quindi delle motion correction che permettono di
00:20:35correggere con delle immagini mantenendo delle immagini
00:20:38ad alta risoluzione quelle che sono
00:20:39possibili artefatti da movimento.
00:20:41Quindi noi avremo la generazione dell'immagine nativa
00:20:43la generazione delle immagini Moko
00:20:45una generazione delle immagini Moko Sir.
00:20:48Quindi per avere delle immagini di fase di management
00:20:54free Breathing con qualità diagnostica
00:20:58assolutamente vicina se non sovrapponibile
00:21:01rispetto a quella convenzionale.
00:21:02Noi vi ripeto già lo utilizziamo nei pazienti proprio
00:21:06non collaboranti facciamo queste sequenze free breeding.
00:21:11Altra tecnica è quella delle bande Bandwidth Inversion Recovery.
00:21:18Queste servono per sostanzialmente
00:21:22pazienti che vengono sottoposti a
00:21:24impianti che quindi danneggiano la qualità dell'esame.
00:21:30Per tutti gli artefatti da suscettività magnetica,
00:21:33di cui abbiamo parlato ampiamente in
00:21:35maniera diffusa in questa trattazione sono sempre più frequenti.
00:21:38Questa sequenza high bandwidth a parità
00:21:40delle sequenze tra virgolette marks.
00:21:43Quindi quelle metal artifact
00:21:46reduction sequence sono delle sequenze che
00:21:49ci garantiscono dei delle immagini che magari non avranno
00:21:54la stessa qualità diagnostica delle LG e
00:21:56convenzionale ma che comunque in
00:21:58cui il miocardio risulta essere completamente abbattuto,
00:22:01in cui la qualità del segnale è ottimale e in
00:22:04cui non sono presenti artefatti da suscettività magnetica.
00:22:09Altre sequenze molto interessanti e che sono
00:22:14in fase di sviluppo come dicevamo prima,
00:22:17sono tutte il mondo del free breeding,
00:22:19con tutte le compresse o comunque tutte le real time che in
00:22:23un singolo battito riescono ad acquisire l'intero battito singolo,
00:22:29riescono ad acquisire l'intero ciclo cardiaco e che
00:22:32quindi sono fatte a respiro libero e in cui,
00:22:35come vedete si riesce a ricostruire la motilità cardiaca,
00:22:38sicuramente non con la stessa risoluzione spaziale,
00:22:40la stessa definizione delle
00:22:41sequenze convenzionali ma come abbiamo detto,
00:22:43in casi di pazienti scarsamente
00:22:45collaboranti ad oggi abbiamo tutti i
00:22:48mezzi tecnici
00:22:50per sopperire alla mancata compliance del paziente stesso e
00:22:55per portare comunque a casa un esame diagnostico.
00:22:58Le compresse sensing in questo caso mantengono.
00:23:03Come vedete abbiamo diversi
00:23:05esempi messi a confronto di una standard cine,
00:23:08di una porzione alta,
00:23:11di un asse corto in cui vedete
00:23:12la parte trabecole che chiaramente più
00:23:15aumento il compresso sensing rispetto alla tecnica
00:23:20Diciamo la tecnica convenzionale posso arrivare anche
00:23:23a un art meeting come vedete nell'immagine tutta sulla destra
00:23:27però chiaramente perdo in
00:23:28termini di risoluzione spaziale
00:23:31quindi non visualizzo più la trabecole dura muscolare.
00:23:34Però se ho un'elevatissima
00:23:36risoluzione temporale e riesco per esempio
00:23:38in tre battiti e in due battiti
00:23:40a ottenere un compromesso nella valutazione dei muscoli papillari,
00:23:43nella valutazione del miocardio,
00:23:45nella valutazione della frazione di eiezione,
00:23:47sicuramente ottengo un risultato che è
00:23:50molto importante e riesce
00:23:51a sopperire a quelle che sono la mancata compliance del paziente.
00:23:56Tutti i sistemi di automatizzazione,
00:23:59così come per esempio la G,
00:24:00ha sviluppato il sistema di di
00:24:02accelerazione delle immagini Sonic che
00:24:04è strepitoso fantastico funziona benissimo.
00:24:07Ci consentiranno in futuro di acquisire un esame per
00:24:11esempio qui si parla soltanto di motilità e free breathing
00:24:15quindi con le sequenze Heart freeze
00:24:16e con le compresenze in cui si dice in 12 minuti,
00:24:19ma intorno ai 15 20 minuti.
00:24:22Vedete con la fase di localizzazione di 3 minuti con la trovare
00:24:26i piani dedicati cardiaci si fa il cuore.
00:24:294 minuti di acquisizione della motilità,
00:24:325 minuti di LCD,
00:24:34LG art freeze e si riesce quindi ad acquisire
00:24:38la completezza dell'immagine in
00:24:41circa 15 minuti in modalità free breathing.
00:24:43Questo è quello che viene proposto e
00:24:45sicuramente non sarà l'esame ideale,
00:24:48non sarà l'esame ottimale,
00:24:49ma se le condizioni del paziente
00:24:51lo consentono si riesce a portare
00:24:53a casa un esame assolutamente diagnostico.
00:24:57Passiamo un attimo a tutti quelli che sono i tool di
00:25:01ricostruzione dell'intelligenza artificiale in
00:25:04fase di refertazione, quindi post processing,
00:25:06nell'auto segmentazione del ventricolo
00:25:08di sinistra nella segmentazione
00:25:10semi-automatica del ventricolo di
00:25:11destra che ci danno i risultati come la frazione di eiezione,
00:25:14il volume sistolica diastolica o la massa ventricolare
00:25:18e tantissime altre informazioni che devono
00:25:20essere messe in correlazione con i dati ecocardiogramma.
00:25:22Quindi vedrete i medici che lavorano con voi che lavorano
00:25:25a queste console di post-processing che effettivamente riescono
00:25:29a ottenere dei dati interessanti,
00:25:32come ad esempio accade anche nello studio dei flussi
00:25:36quindi con le ricostruzioni poi fuor di flow sistemi
00:25:39antialiasing che ci danno tutta la gamma delle
00:25:43informazioni post-processing dei flussi cardiaci.
00:25:47Vi riporto adesso brevemente
00:25:49una preliminare experience di quella che
00:25:51è la possibilità che ho di lavorare con questa macchina.
00:25:55La cima X che diciamo 200 mg Tesla di 200 mg,
00:26:00la seconda di slow rate potenziata con Deep resolve
00:26:04con bobina cubic Sensor.
00:26:07Ce ne sono circa 80 al mondo,
00:26:09quindi è veramente in
00:26:11pochi hanno la possibilità di metterci le mani sopra.
00:26:14Come vi faccio vedere quella che è
00:26:16la tecnologia del sensore dove apponendo una bobina noi
00:26:21riusciamo a sincronizzarsi con gli ECG.
00:26:23All'inizio abbiamo messo sia l'ECG che il sensore proprio
00:26:26per vedere la simmetria come lavorava il
00:26:29sensore alla modalità di utilizzare chiaramente
00:26:32il deep resolve con tutte le cose che abbiamo visto.
00:26:35E poi come vedete nel gradient mode
00:26:37c'è la possibilità di mettere performance
00:26:38dove vengono sviluppati quasi tutti i 200 amp di potenza.
00:26:43Qual è il risultato?
00:26:44Vi faccio vedere un'immagine due camere acquisite sul cinema.
00:26:47Come potete vedere voi, io non l'ho ingrandita.
00:26:49Questa è acquisita così
00:26:50viene acquisita con dei FOV che da 320 passano
00:26:54a 18 200 220
00:26:57quindi con un incremento pazzesco della risoluzione spaziale.
00:27:00Questo chiaramente perché il gradiente performante mi
00:27:05consente di raggiungere determinate performance e questo
00:27:08è dall'altra parte il lato sensing,
00:27:11quindi un'immagine che quella normale ci mette 8
00:27:14secondi 10 secondi a essere
00:27:16acquisita col compressore in un secondo e questo è
00:27:19il risultato come vedete un risultato
00:27:21secondo me eccezionale perché in questo caso sul
00:27:23compressione si è lavorato molto e poi la potenza del gradiente
00:27:27riesce a ottimizzare quelli che sono la lettura
00:27:31del segnale del campionamento
00:27:33del segnale dallo spazio K. Quindi tutte le varie
00:27:35operazioni che riescono a darci
00:27:37risultati diagnostici di altissima qualità.
00:27:39Quattro camere già di ottima fattura. Quattro camere con.
00:27:47Asse corto preso su una sezione mediana del cuore.
00:27:51Vedete che in questo caso si vede
00:27:52un leggero sbandieramento del SIB,
00:27:54forse dovuto a una mancata compliance del respiro del paziente.
00:27:58Assecondo con presenza lo
00:28:00sbandieramento del SIB con
00:28:01quell'effetto da trascinamento da volume parziale.
00:28:03Scompare proprio perché il
00:28:05paziente ci mette meno di un secondo acquisire
00:28:07e apprezzare questa determinata immagine cardiaca.
00:28:12Un piccolo esempio di quello che risulta essere invece
00:28:16l'acquisizione di asse corto,
00:28:19quattro camere e due camere
00:28:21STIR Triple Inversion Recovery con utilizzo del
00:28:24Dr. B. Quindi ho preso il boost in
00:28:26modalità high e del di preso sharp,
00:28:28quindi con un aumento della definizione dell'immagine.
00:28:31Io sono arrivato alla fine della mia dissertazione del ciclo
00:28:35cardiaco sul ciclo cardiaco sulla cardio RM
00:28:39scusatemi a tre Tesla con la modalità di studio tips tricks.
00:28:42Spero che vi sia piaciuta.
00:28:45Questa è una foto che ci ritrae
00:28:46l'anno scorso alla fine del nostro secondo convegno nazionale e
00:28:51quindi vi faccio i miei saluti.
00:28:54Spero vi auguro il meglio per la fine del vostro percorso.
00:28:58Diciamo di studio.
00:28:59Ci sono anche i miei riferimenti via
00:29:01mail qualora volete scrivermi e
00:29:03vi ringrazio sentitamente per l'attenzione.