Evaluar el impacto de la orientación y la ubicación de las rebanadas de resonancia magnética 2D en el diagnóstico de...

Área de la Ciencia:

• Imágenes neurológicas
• Inteligencia artificial
• Diagnóstico médico

Sus antecedentes:

• La detección precisa de la enfermedad de Alzheimer (EA) es crucial para la intervención temprana, pero sigue siendo un reto.
• El aprendizaje profundo, en particular las Redes Neurales Convolucionales (CNN), muestra una promesa para mejorar la precisión del diagnóstico con imágenes de resonancia magnética (IRM).

Objetivo del estudio:

• Determinar la orientación y la ubicación anatómica más informativas de la toma por resonancia magnética para la clasificación de AD.
• Desarrollar un marco automatizado para el diagnóstico eficiente y preciso de la enfermedad de Alzheimer mediante RM.

Principales métodos:

• Se desarrolló un marco automatizado, seleccionando las rebanadas de resonancia magnética relevantes utilizando un método basado en la entropía de las características en los mapas de activación de CNN.
• Se empleó una arquitectura CNN ligera con convoluciones separables en profundidad para analizar secciones de resonancia magnética 2D seleccionadas.
• Se integró un mecanismo de atención para interpretar las contribuciones a nivel de característica a la clasificación.

Principales resultados:

• La mayor precisión (97,4%) se logró en la distinción entre la enfermedad de Alzheimer (EA) y los individuos cognitivamente normales (CN).
• Se observó una clasificación óptima utilizando rodajas seleccionadas del noveno segmento axial, seguidas de segmentos décimos de orientaciones coronales y sagitales.
• El estudio demostró la eficacia de la selección de porciones específicas y las CNN ligeras para el diagnóstico de EA.

Conclusiones:

• La ubicación y la orientación de la rebanada son factores críticos en el diagnóstico de EA basado en la RM.
• Las CNN ligeras ofrecen un enfoque prometedor y eficiente para la aplicación clínica en la detección de la enfermedad de Alzheimer.