Auto-profundo basado en TV de súper resolución para FMRI

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Análisis de imágenes médicas

Sus antecedentes:

• La resonancia magnética funcional (fMRI) proporciona información sobre los procesos cognitivos, pero tiene limitaciones de resolución espacial.
• Los métodos actuales de aprendizaje profundo (DL) de súper resolución (SR) para la resonancia magnética funcional a menudo requieren datos de alta resolución (HR) de la verdad del terreno (GT), que son difíciles de obtener.
• Las técnicas SR existentes se enfrentan a limitaciones en la mejora de la resolución de la IRMf debido a las limitaciones de adquisición de datos y las compensaciones entre la resolución temporal, la resolución espacial, la relación señal-ruido y el tiempo de escaneo.

Objetivo del estudio:

• Desarrollar un nuevo modelo de DL SR auto-supervisado para mejorar la resolución de fMRI.
• Para superar la dependencia de los datos de GT HR en el IRMf basado en DL SR.
• Mejorar el análisis de grano fino de la arquitectura funcional del cerebro mediante el aumento de la resolución espacial de la IRMf.

Principales métodos:

• Se introdujo un modelo DL SR auto-supervisado que combina una red DL con un enfoque analítico.
• Regularización de la variación total (TV) incorporada en el modelo SR.
• Elimina la necesidad de imágenes externas de GT HR durante el proceso de capacitación.

Principales resultados:

• El modelo DL SR auto-supervisado propuesto logró un rendimiento competitivo en comparación con las técnicas DL supervisadas.
• El método generó con éxito imágenes de fMRI de alta resolución (HR) a partir de imágenes de baja resolución (LR).
• Los mapas funcionales se conservaron durante el proceso de superresolución.

Conclusiones:

• El DL SR auto-supervisado ofrece una alternativa viable a los métodos supervisados para mejorar la resolución fMRI.
• El nuevo enfoque elimina el cuello de botella de la adquisición de datos de GT HR, haciendo que la IRMf SR sea más accesible.
• Este método es prometedor para avanzar en el análisis detallado de la arquitectura funcional del cerebro en la investigación de la neurociencia.