Aprendizaje profundo para la reducción de ruido en RM de alta resolución de la pared carotídea utilizando bobinas...

Área de la Ciencia:

• Radiología
• Imagenología Médica
• Inteligencia Artificial

Sus antecedentes:

• La RM de alta resolución de la pared carotídea es crucial para evaluar la aterosclerosis.
• Las bobinas clínicas estándar a menudo producen imágenes con una relación señal/ruido (SNR) más baja, lo que limita la calidad diagnóstica.
• Las bobinas especializadas pueden mejorar la SNR pero aumentan los costos y la complejidad.

Objetivo del estudio:

• Desarrollar y evaluar un método de reducción de ruido de aprendizaje profundo (DL) para mejorar la RM de la pared carotídea.
• Mejorar la calidad de la imagen adquirida con bobinas estándar para cabeza y cuello.
• Permitir imágenes multi-contraste de alta resolución sin hardware especializado.

Principales métodos:

• Se entrenó un modelo DL supervisado que utiliza una arquitectura UNet residual en 55 escaneos de RM carotídea.
• El modelo mapeó imágenes de entrada de baja SNR (bobina estándar) a imágenes de referencia de alta SNR (bobina NSS).
• Se comparó el rendimiento con métodos convencionales utilizando métricas cuantitativas (PSNR, SSIM, SNR, CNR) y cualitativas.

Principales resultados:

• El reductor de ruido DL redujo sustancialmente el ruido al tiempo que preservaba las estructuras de la pared del vaso.
• Se logró una alta PSNR (>31 dB) y SSIM (>0,93) en comparación con los escaneos de referencia.
• Mejoró significativamente la SNR y la CNR en las regiones de la pared del vaso y el lumen, acercándose a la calidad de referencia.
• Se mantuvo la nitidez del borde de la pared interna, lo que respalda una evaluación segura de la placa.
• Las calificaciones de los radiólogos confirmaron las mejoras en la calidad de la imagen.

Conclusiones:

• Un método de reducción de ruido basado en DL mejora eficazmente la calidad de la RM de alta resolución de la pared carotídea.
• El método DL logra una calidad de imagen comparable a la de las bobinas de superficie de cuello especializadas.
• Este enfoque puede ampliar el acceso a la imagen carotídea avanzada al eliminar la necesidad de hardware adicional.