Red neuronal de reconstrucción de fase y magnitud emparejada para imágenes de resonancia magnética de difusión...

Área de la Ciencia:

• Imágenes médicas
• Imagen de resonancia magnética (IRM)
• Imágenes computarizadas

Sus antecedentes:

• La imagen ponderada por difusión (DWI) es crucial para el diagnóstico de tumores, ya que refleja la difusión de moléculas de agua.
• El muestreo de múltiples disparos en DWI mejora la resolución, pero complica la supresión de artefactos y ruidos.
• Los métodos convencionales de reconstrucción iterativa son computacionalmente lentos.

Objetivo del estudio:

• Desarrollar un método rápido y eficaz basado en el aprendizaje profundo para la reconstrucción de imágenes de DWI en múltiples tomas.
• Para mejorar la calidad de la imagen, reducir los artefactos, y acelerar el proceso de reconstrucción.

Principales métodos:

• Etiquetas de formación generadas utilizando métodos tradicionales para la formación fuera de línea.
• Diseñó una red neuronal para la fase emparejada y la reconstrucción de magnitud.
• Incorpora una imagen de alta relación señal-ruido (SNR) b0 para refinar la red.

Principales resultados:

• Se ha logrado una reconstrucción rápida en menos de un segundo en comparación con los métodos de aprendizaje profundo de última generación.
• Criterios de evaluación objetivos superiores demostrados en datos simulados e in vivo.
• La evaluación del radiólogo confirmó una excelente calidad de imagen, supresión de artefactos y SNR estable.

Conclusiones:

• El método de aprendizaje profundo propuesto ofrece una solución prometedora para la reconstrucción rápida y de alta calidad de múltiples disparos de DWI.
• Este avance puede beneficiar significativamente las aplicaciones clínicas, particularmente en el diagnóstico de tumores.
• El método supera a los enfoques existentes en métricas de velocidad y calidad de imagen.