PWLS-SOM: reconstrucción alternativa de PWLS para CT de visión limitada mediante la optimización estratégica de un...

Área de la Ciencia:

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

Sus antecedentes:

• El aprendizaje profundo (DL) es prometedor para reducir los artefactos de rayas en la tomografía computarizada de visión limitada (TC).
• La generalización de los métodos DL a las aplicaciones de TC en el mundo real sigue siendo un desafío importante.
• Los métodos existentes luchan con la supresión de artefactos y la reconstrucción robusta en diversos datos de pacientes.

Objetivo del estudio:

• Desarrollar un enfoque novedoso que integre los priores de DL con la consistencia de datos específicos para una mejor supresión de artefactos y una reconstrucción robusta en CT de visión limitada.
• Mejorar las capacidades de generalización de los modelos DL en escenarios prácticos de tomografía computarizada.
• Crear un marco que combine los antecedentes basados en datos con las restricciones de consistencia de los datos para las imágenes personalizadas de TC.

Principales métodos:

• Propuso un marco de reconstrucción de mínimos cuadrados ponderados penalizados por optimización estratégica de un modelo DL (PWLS-SOM).
• Se empleó un proceso de tres etapas: incorporación de DL a nivel de grupo, evaluación de la importancia de los parámetros de DL y adaptación de la consistencia a nivel individual.
• Se utilizó una nueva puntuación de importancia para guiar la optimización estratégica de los parámetros de DL para los datos específicos del objetivo.

Principales resultados:

• PWLS-SOM demostró una generalización superior en los datos de visión dispersa y trayectoria lineal de múltiples segmentos con datos faltantes.
• Superó a los métodos supervisados de DL en la recuperación de estructuras contextuales y la adaptación a escenarios prácticos de CT.
• Validado con experimentos del mundo real en una rata muerta, confirmando la aplicabilidad a las tomografías computarizadas clínicas.

Conclusiones:

• La reconstrucción PWLS-SOM une efectivamente los priores de DL con la adaptación PWLS para imágenes de TC de visión limitada robustas y personalizadas.
• La puntuación de significación ofrece una métrica eficiente para evaluar la generalización y la adaptabilidad de los parámetros de DL.
• Este enfoque mejora la adaptabilidad a través de diversos datos y condiciones de imagen práctica, avanzando en la reducción de artefactos en CT.