Reducción de los errores radiómicos en el cáncer nasofaríngeo a través de la generación de TC sintética basada en el...

Área de la Ciencia:

• Imágenes médicas
• Radiología
• La inteligencia artificial en la medicina

Sus antecedentes:

• La tomografía computarizada de haz de cono (CBCT) es vital para las imágenes del cáncer nasofaríngeo (NPC).
• La calidad de la imagen en CBCT puede afectar la precisión del análisis radiómico.
• Las características radiómicas extraídas de las imágenes médicas ofrecen información valiosa de pronóstico y predicción.

Objetivo del estudio:

• Investigar cómo la calidad de la imagen de la tomografía computarizada de haz de cono (CBCT) afecta el análisis radiómico en el cáncer nasofaríngeo (NPC).
• Evaluar la eficacia de la mejora de la imagen basada en el aprendizaje profundo para mejorar la precisión de las características radiómicas de las NPC.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo, CBAMRegGAN, utilizando conjuntos de datos CT y CBCT emparejados de 114 pacientes con NPC.
• Las características radiómicas de seis categorías se extrajeron de las imágenes CBCT originales, CBCT mejoradas y CT del volumen tumoral bruto (GTV).
• Se compararon los errores de características entre las imágenes CBCT originales y mejoradas para evaluar el impacto de la mejora del aprendizaje profundo.

Principales resultados:

• El modelo CBAMRegGAN mejoró significativamente la calidad de la imagen CBCT, evidenciada por un PSNR de 29,52 ± 2,28 dB, un NMAE de 0,0129 ± 0,004 y un SSIM de 0,910 ± 0,025.
• La mejora del aprendizaje profundo condujo a reducciones sustanciales en los errores de características radiómicas en las seis categorías, con reducciones promedio que oscilaron entre el 3,0% y el 24,0% en 20 pacientes de prueba.
• Las categorías de características específicas como GLCM y las estadísticas de primer orden mostraron las reducciones de error más significativas.

Conclusiones:

• La calidad de la imagen CBCT influye críticamente en la fiabilidad del análisis radiómico en NPC.
• Las técnicas de mejora basadas en aprendizaje profundo ofrecen una solución prometedora para mejorar tanto la calidad de la imagen CBCT como la precisión de las características radiómicas.
• Estos hallazgos apoyan la integración de técnicas avanzadas de procesamiento de imágenes para una caracterización y gestión más precisas de NPC.