JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Modelo de difusión impulsado por radiómica y muestreo de compresión de Monte Carlo para una síntesis de imágenes médicas confiable

IEEE Journal of Biomedical and Health Informatics +

|

25 de agosto de 2025

|

25 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este resumen es generado por máquina.

Este estudio introduce un nuevo método para la síntesis de imágenes médicas confiables utilizando indicaciones radiómicas y muestreo por compresión de Monte Carlo (MCCS) para una mejor estimación de la incertidumbre. El enfoque mejora la calidad de la imagen y la confianza en las aplicaciones clínicas.

Área De La Ciencia

  • Imágenes médicas
  • Inteligencia artificial
  • Medicina computacional

Sus Antecedentes

  • La síntesis de imágenes médicas confiables es vital para las tareas clínicas, ya que exige una alta precisión anatómica y confianza.
  • Los métodos actuales luchan con la escasez de datos de las indicaciones de texto médico y la estimación de incertidumbre insuficiente.

Objetivo Del Estudio

  • Desarrollar un nuevo enfoque para la síntesis de imágenes médicas confiables utilizando indicaciones radiómicas.
  • Mejorar la cuantificación de la incertidumbre para mejorar la fiabilidad en las imágenes médicas generadas.

Principales Métodos

  • Utilizó indicaciones radiómicas clínicamente enfocadas para guiar la generación de imágenes.
  • Implementación del muestreo por compresión de Monte Carlo (MCCS) dentro de los modelos implícitos de desnudez por difusión (DDIM) para la cuantificación de la incertidumbre.
  • Se introdujo una arquitectura MambaTrans para modelar dependencias de largo alcance e incorporar condiciones previas.

Principales Resultados

  • El método propuesto mejoró significativamente la calidad y fiabilidad de las imágenes médicas.
  • Se ha demostrado un rendimiento superior a los métodos de última generación (SoTA) en las evaluaciones cualitativas y cuantitativas.
  • Ha aprovechado con éxito las indicaciones radiómicas para la síntesis de imágenes médicas condicionales.

Conclusiones

  • El nuevo enfoque aborda eficazmente los desafíos en la síntesis de imágenes médicas, en particular la escasez de datos y la estimación de la incertidumbre.
  • Las indicaciones radiómicas y el MCCS ofrecen una dirección prometedora para generar imágenes médicas confiables y de alta calidad.
  • La arquitectura MambaTrans mejora el modelado de dependencias complejas en datos de imágenes médicas.