Aplicación y evaluación del aprendizaje profundo a las imágenes de rutina de la columna vertebral 2D T2 FLEX a 1,5T

Área de la Ciencia:

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

Sus antecedentes:

• 2D T2 FSE es una secuencia estándar de resonancia magnética de la columna vertebral para evaluar fracturas y patología.
• La supresión de grasa del tipo DIXON (2D FLEX) mejora la separación agua/grasa.
• La reconstrucción de aprendizaje profundo (DL) ofrece mejoras potenciales en la calidad de la imagen de resonancia magnética.

Objetivo del estudio:

• Para comparar la calidad de la imagen diagnóstica y las métricas cuantitativas de la resonancia magnética de la columna vertebral 2D T2 FLEX reconstruida con DL frente a la no reconstruida con DL a 1,5T.
• Evaluar el impacto de DL en la relación señal-ruido (SNR), los artefactos y la nitidez de la imagen.

Principales métodos:

• Cuarenta y un pacientes se sometieron a una resonancia magnética de la columna vertebral de 1,5 T utilizando una secuencia 2D T2 FLEX.
• La reconstrucción basada en DL se aplicó a los datos adquiridos, y los datos brutos también se reconstruyeron sin DL.
• Tres neuroradiólogos evaluaron las preferencias de diagnóstico y las métricas cuantitativas (SNR, variación total, bordes, fracción de grasa).

Principales resultados:

• El 79,5% de las evaluaciones favoreció las imágenes reconstruidas por DL.
• La reconstrucción de DL aumentó significativamente el SNR y redujo el ruido de la imagen (variación total más baja, menos bordes).
• La cuantificación de la grasa se mantuvo en gran medida sin cambios, lo que indica la preservación de la información diagnóstica.

Conclusiones:

• La reconstrucción de DL mejora la calidad de la resonancia magnética de la columna vertebral 2D T2 FLEX a 1.5T, mejorando el SNR y reduciendo el ruido.
• Los hallazgos apoyan la integración de la reconstrucción basada en DL en los protocolos rutinarios de resonancia magnética de la columna vertebral para una mayor confianza y eficiencia en el diagnóstico.
• Se recomienda una mayor investigación con cohortes más grandes para explorar aplicaciones clínicas más amplias.