Método rápido de aprendizaje profundo sin supervisión para imágenes de RM de campo bajo

Área de la Ciencia:

• Imágenes Médicas
• Resonancia Magnética (RM)
• Procesamiento de Imágenes

Sus antecedentes:

• La RM de campo bajo es crucial para diagnósticos accesibles, pero a menudo sufre de ruido en la imagen, lo que afecta la utilidad clínica.
• Los métodos tradicionales de eliminación de ruido requieren datos de entrenamiento extensos, que son difíciles de adquirir para RM de campo bajo.
• El aprendizaje auto-supervisado sin supervisión ofrece una alternativa prometedora al eliminar la necesidad de datos de entrenamiento previos.

Objetivo del estudio:

• Adaptar y optimizar un enfoque de eliminación de ruido sin supervisión para RM de campo bajo.
• Acelerar el proceso de entrenamiento de métodos de eliminación de ruido específicos para cada escaneo.
• Mejorar la calidad de imagen de la RM de campo bajo para un diagnóstico clínico mejorado.

Principales métodos:

• Se extendió el método de ruido-como-limpio sin supervisión (ZS-NAC) con modificaciones para un entrenamiento más rápido.
• Se comparó el método propuesto con las técnicas BM4D y ruido2ruido sin supervisión.
• Se evaluó el rendimiento de eliminación de ruido cuantitativamente en datos de campo alto y cualitativamente en datos prospectivos de campo bajo (0.1 T).
• Se investigó el entrenamiento con matrices de datos parciales para una mayor aceleración.

Principales resultados:

• El método optimizado ZS-NAC logró un alto rendimiento de eliminación de ruido en varios niveles de relación señal/ruido (SNR).
• Se observaron tiempos de procesamiento rápidos (segundos) en GPU para dimensiones típicas de datos de RM de campo bajo.
• El entrenamiento en subconjuntos de datos demostró el potencial de una aceleración significativa del entrenamiento.

Conclusiones:

• El método de eliminación de ruido desarrollado muestra un potencial sustancial para la integración perfecta en los flujos de trabajo de adquisición de RM de campo bajo.
• Este enfoque puede mejorar eficazmente la calidad de la imagen, ayudando al diagnóstico clínico.
• La eficiencia y adaptabilidad del método lo hacen adecuado para aplicaciones clínicas del mundo real.