Marco federado de iRadonMAP restringido por metadatos con aprendizaje mutuo para imágenes de tomografía computarizada...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Radiología

Sus antecedentes:

• El uso creciente de la tomografía computarizada (TC) plantea preocupaciones sobre la dosis de radiación del paciente.
• El aprendizaje profundo muestra potencial para mejorar la calidad de la imagen de TC de baja dosis, pero tiene dificultades con los datos y la heterogeneidad específicos del proveedor.
• La centralización de datos está limitada por las regulaciones de costos y privacidad, lo que dificulta los estudios multicéntricos.

Objetivo del estudio:

• Desarrollar un método generalizable de aprendizaje profundo para la reconstrucción de TC en dosis bajas en múltiples proveedores y condiciones de imagen.
• Para abordar la heterogeneidad de los datos y las preocupaciones de privacidad en conjuntos de datos de CT multicéntricos.
• Permitir la reconstrucción simultánea de imágenes de tomografía computarizada de varios proveedores dentro de un único marco.

Principales métodos:

• FedM2CT: Un método federado de metadatos restringidos con aprendizaje mutuo.
• Incluye iRadonMAP específico para tareas (TS-iRadonMAP) para la reconstrucción, aprendizaje mutuo impulsado por condiciones (CPML) para el intercambio de conocimientos y aprendizaje federado de metadatos (FMDL) para mitigar la heterogeneidad de los datos.
• Utiliza un metamodelo para agregar parámetros y manejar las variaciones de los datos.

Principales resultados:

• FedM2CT demostró resultados cualitativos y cuantitativos sobresalientes en experimentos extensos.
• El método logró una reconstrucción exitosa de TC todo en uno para varias tareas de dosis baja, incluida la TC de bajo miliamperesegundo, visión dispersa y ángulo limitado.
• Superó a los métodos existentes en el manejo de datos de TC multivendor con diferentes geometrías de imagen y protocolos de muestreo.

Conclusiones:

• FedM2CT ofrece una solución robusta para la reconstrucción de TC generalizable en dosis bajas.
• El marco propuesto mitiga efectivamente los desafíos de heterogeneidad de los datos en la tomografía computarizada multicéntrica.
• Este enfoque tiene un potencial significativo para avanzar en prácticas seguras y efectivas de imágenes de TC en diversos entornos clínicos.