Síntesis de imágenes de tomografía computarizada de todo el cuerpo a partir de imágenes de resonancia magnética de...

Área de la Ciencia:

• Imágenes médicas
• La biofísica
• Anatomía computacional

Sus antecedentes:

• La resonancia magnética (IRM) ofrece un contraste superior en los tejidos blandos en comparación con la tomografía computarizada (TC).
• Los parámetros físicos del tejido derivados de la TC son cruciales para la física médica, pero no se pueden obtener de la resonancia magnética estándar.
• Los métodos existentes carecen de la capacidad de cerrar la brecha entre los datos de RM y CT para el análisis cuantitativo.

Objetivo del estudio:

• Para desarrollar un nuevo método para sintetizar imágenes de TC de secuencias de resonancia magnética de Dixon.
• Para permitir el cálculo de los parámetros físicos esenciales de los tejidos a partir de los datos de la RM.
• Mejorar la integración de la RM en los flujos de trabajo clínicos que requieren mediciones cuantitativas basadas en TC.

Principales métodos:

• Segmentación de los tejidos humanos en tres clases con pares de sub-tejidos de composición.
• Cálculo de mapas de composición utilizando las fracciones de agua y grasa de la resonancia magnética de Dixon.
• Aplicación de un modelo físico paramétrico con parámetros específicos del escáner para la síntesis de imágenes por TC.

Principales resultados:

• El método propuesto sintetizó con precisión las imágenes de TC de los datos de resonancia magnética de Dixon.
• El rendimiento fue superior a dos redes adversarias generativas (GAN) en métricas cuantitativas.
• Se logró una reducción promedio de 22 en la diferencia de unidades de Hounsfield y un aumento de 4,6 dB en la relación pico señal-ruido en comparación con las GAN.

Conclusiones:

• El método desarrollado sintetiza con éxito las imágenes de TC de la resonancia magnética de Dixon, superando a las GAN.
• Esta técnica facilita la obtención de parámetros cuantitativos derivados de la tomografía computarizada de las imágenes por resonancia magnética.
• El método tiene un potencial significativo para mejorar las aplicaciones médicas clínicas que requieren datos integrados de RM y CT para cálculos físicos.