Difusión-QSM: modelo de difusión con viaje en el tiempo y refinamiento de muestreo para la cartografía cuantitativa...

Área de la Ciencia:

• Imagen de resonancia magnética (IRM)
• Reconstrucción de imágenes médicas
• Imágenes computarizadas

Sus antecedentes:

• El mapeo cuantitativo de la susceptibilidad (QSM) es una técnica de resonancia magnética vital para visualizar las variaciones de susceptibilidad magnética en los tejidos.
• Los métodos de reconstrucción QSM actuales se enfrentan a desafíos con las perturbaciones y la generalización de los datos.
• El aprendizaje profundo (DL) ofrece potencial, pero a menudo lucha con la robustez y los datos fuera de distribución.

Objetivo del estudio:

• Introducir el Diffusion-QSM, un método robusto basado en el aprendizaje profundo para la reconstrucción de QSM de alta calidad.
• Desarrollar un método que generalice bien a través de diversas perturbaciones de datos.
• Mejorar la fiabilidad y aplicabilidad de QSM en diversos entornos clínicos y de investigación.

Principales métodos:

• Desarrollado Diffusion-QSM, un modelo de difusión que incorpora un módulo de refinamiento de viajes en el tiempo y resampling.
• Entrenó la difusión previa incondicionalmente en imágenes QSM de alta calidad para mejorar la generalización.
• Restricciones físicas integradas del modelo avanzado QSM y mediciones durante la inferencia para guiar la reconstrucción.

Principales resultados:

• El QSM de difusión demostró un rendimiento superior en comparación con los métodos tradicionales y sin supervisión de DL en los datos de simulación, in vivo y ex vivo.
• El método exhibió mejores capacidades de generalización que los métodos DL supervisados al procesar datos fuera de distribución.
• Los resultados experimentales confirmaron la reconstrucción de QSM de alta calidad bajo varias perturbaciones como contraste, resolución y dirección de escaneo.

Conclusiones:

• Diffusion-QSM unifica efectivamente los priores de difusión basados en datos con las restricciones físicas específicas del sujeto para una reconstrucción robusta de QSM.
• El método desarrollado cierra la brecha de generalización en el aprendizaje profundo para QSM.
• Difusión-QSM muestra un potencial significativo para diversas aplicaciones realistas debido a su excelente calidad y capacidades de generalización.