Impacto de un algoritmo de reconstrucción de imágenes de aprendizaje profundo en la robustez de las características...

Área de la Ciencia:

• Radiología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La reconstrucción de imágenes de aprendizaje profundo (DLIR) ofrece potencial para mejorar la calidad de la imagen y reducir la dosis de radiación en las tomografías computarizadas.
• El impacto de DLIR en la robustez de las características radiómicas (RF) en comparación con los métodos convencionales no está bien establecido.

Objetivo del estudio:

• Comparar los efectos del DLIR y la reconstrucción iterativa estadística adaptativa-Veo (ASIR-V) en la robustez de las RF.
• Para evaluar la consistencia de RF a través de diferentes algoritmos de reconstrucción y niveles de dosis en la TC abdominal.

Principales métodos:

• Análisis retrospectivo de 54 pacientes con masas hepáticas sometidos a TC abdominal con aumento de contraste.
• Reconstrucción de los datos de TC estándar y de dosis baja utilizando los algoritmos ASIR-V (30%, 70%) y DLIR (bajo, medio, alto).
• Extracción y análisis de consistencia de 837 RFs de 18 ROIs utilizando PyRadiomics, con métricas de CV, QCD y ICC.

Principales resultados:

• DLIR a niveles medios (M) y altos (H) demostró una mejor consistencia y robustez de RF en comparación con ASIR-V, especialmente en condiciones de dosis bajas.
• Los valores medios de CCI entre DLIR-M y DLIR-H (0,700) en condiciones de dosis bajas excedieron a los de ASIR-V30% y ASIR-V70% (0,672) en dosis estándar.
• Se observaron RF robustas en el 10,3% de las características en condiciones de dosis baja con DLIR, y el 23,1% mostró robustez entre DLIR-M y DLIR-H.

Conclusiones:

• La mayoría de las características radiómicas carecen de reproducibilidad a través de diferentes algoritmos de reconstrucción y niveles de dosis.
• DLIR, especialmente en configuraciones medias y altas, mejora significativamente la consistencia y la robustez de las características radiómicas, incluso con dosis de radiación reducidas.