Monitoreo del flujo sanguíneo cerebral utilizando una implementación de aprendizaje profundo del modelo analítico de...

Área de la Ciencia:

• Óptica biomédica
• La neurociencia
• Imágenes médicas

Sus antecedentes:

• Los modelos de espectroscopia de correlación difusa multicapa (DCS) mejoran la sensibilidad de medición del índice de flujo sanguíneo cerebral (CBFi), pero son computacionalmente intensivos.
• Los modelos existentes luchan con el monitoreo en tiempo real debido a la dependencia de parámetros y la carga computacional.

Objetivo del estudio:

• Desarrollar un método de procesamiento de datos DCS rápido y preciso utilizando un modelo analítico de dos capas.
• Habilitar el monitoreo de la perfusión cerebral en tiempo real con una mayor sensibilidad cerebral.

Principales métodos:

• Aprendizaje profundo (DL) para acelerar el procesamiento de datos de DCS, capacitación en un modelo analítico de DCS de dos capas.
• Se utilizó una matriz SPAD para la estimación del ruido y simulaciones de Monte Carlo para la validación del modelo.
• Comparación del rendimiento del DL con los métodos analíticos de ajuste exponencial y de dos capas.

Principales resultados:

• Se logró el monitoreo en tiempo real de CBF a 35 mm de separación utilizando DL, con una precisión superior (error del 4,1%) y una mayor sensibilidad de CBF (86,5%) en comparación con los métodos tradicionales.
• El enfoque DL es 750 veces más rápido que el ajuste exponencial único y minimiza la influencia superficial del flujo sanguíneo.
• Las pruebas in vivo confirmaron la capacidad del método para el monitoreo de la perfusión cerebral en tiempo real y la recuperación de la forma de onda pulsativa.

Conclusiones:

• La integración de DL con el modelo DCS de dos capas permite un monitoreo preciso de la perfusión cerebral en tiempo real sin sacrificar la sensibilidad a la profundidad.
• El método propuesto mejora la sensibilidad del CBF y la precisión de la recuperación.
• Apoya el despliegue futuro en aplicaciones de monitoreo neurológico.