Eliminación acelerada de agua residual en MRS: explorando el aprendizaje profundo frente a enfoques basados en el...

Área de la Ciencia:

• Espectroscopía de resonancia magnética (MRS)
• Cuantificación de los metabolitos
• Procesamiento de señales

Sus antecedentes:

• Las señales residuales de agua en los espectros MRS complican la cuantificación precisa del metabolito.
• Los algoritmos de eliminación de agua existentes son computacionalmente intensivos, lo que limita su aplicación clínica.

Objetivo del estudio:

• Proponer y validar dos tuberías nuevas y rápidas para la eliminación de residuos de agua en MRS.
• Mejorar la aplicabilidad clínica del MRS mediante un procesamiento eficiente de los datos.

Principales métodos:

• Desarrolló DeepWatR (arquitectura U-Net con atención) y WaterFit (auto-diferenciación de la antorcha con el modelo de Lorentz).
• Evaluación de la precisión y la eficiencia en el tiempo utilizando datos MRS cerebrales de 1H simulados e in vivo.
• Comparación del rendimiento con el método de descomposición del valor singular de Hankel Lanczos (HLSVD) Pro.

Principales resultados:

• DeepWatR y WaterFit mostraron errores de cuantificación comparables a los de HLSVDPro en los datos simulados.
• WaterFit fue 22,7 veces más rápido y DeepWatR fue 51 veces más rápido que HLSVDPro en un conjunto de datos grande.
• WaterFit demostró una mayor precisión de ajuste de metabolitos después de la eliminación del agua en comparación con DeepWatR.

Conclusiones:

• WaterFit proporciona un equilibrio óptimo de precisión y velocidad para la eliminación de residuos de agua en MRS.
• La tubería de WaterFit reduce significativamente el tiempo de preprocesamiento al tiempo que mantiene la precisión de la cuantificación del metabolito.
• Este avance mejora la utilidad clínica de MRS al permitir un análisis más rápido y preciso.