AIBSD: enfoque de aprendizaje profundo para abordar errores sistemáticos espaciales en imágenes de tensor de difusión

Área de la Ciencia:

• Imágenes neurológicas
• Física médica
• Inteligencia artificial

Sus antecedentes:

• Las métricas de imágenes de tensor de difusión (DTI) son vitales para evaluar la microestructura de los tejidos.
• Los errores espaciales sistemáticos en el DTI surgen de una estimación inexacta de la matriz b.
• Los métodos de corrección actuales requieren escaneos fantasmas que consumen mucho tiempo, lo que limita el uso clínico.

Objetivo del estudio:

• Desarrollar y validar AIBSD, un método de aprendizaje profundo para corregir las matrices b de DTI.
• Para eliminar errores sistemáticos en el DTI sin necesidad de mediciones fantasmas adicionales.
• Mejorar la precisión y la viabilidad clínica de las métricas de DTI.

Principales métodos:

• Se entrenó una red neuronal convolucional (CNN) con una arquitectura de doble codificador en 130 conjuntos de datos DTI.
• La CNN predijo las matrices b corregidas utilizando datos de referencia del método BSD-DTI.
• Las métricas de DTI se calcularon utilizando datos estándar, BSD-DTI y AIBSD (con datos fantasma e in vivo).

Principales resultados:

• AIBSD redujo significativamente los errores sistemáticos, como se muestra por la disminución de los valores de FA en los datos fantasmas.
• El análisis in vivo demostró una fuerte concordancia entre AIBSD y BSD-DTI (CCC > 0,993).
• El AIBSD utilizando datos in vivo logró una precisión comparable a los métodos basados en fantasmas sin exploraciones fantasmas.

Conclusiones:

• El AIBSD corrige efectivamente los errores espaciales sistemáticos en el DTI utilizando datos in vivo.
• El método elimina la necesidad de exploraciones fantasmas adicionales, mejorando la viabilidad clínica de la DTI.
• AIBSD mejora la precisión métrica de DTI y agiliza los flujos de trabajo para la investigación y las aplicaciones clínicas.