Llenado y síntesis de lesiones de EM bidireccionales utilizando repintado de lesiones basado en modelo implícito de...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Neurociencia

Sus antecedentes:

• El procesamiento automático de imágenes de resonancia magnética (RM) es crucial para el estudio de la esclerosis múltiple (EM).
• Las lesiones en la EM complican análisis como la parcelación cerebral, y los métodos actuales de llenado de lesiones carecen de realismo.
• La información limitada con delineaciones de lesiones dificulta el rendimiento de los algoritmos de segmentación de lesiones.

Objetivo del estudio:

• Desarrollar un enfoque novedoso para el llenado y la síntesis de lesiones de EM utilizando modelos implícitos de difusión de eliminación de ruido (DDIM).
• Generar imágenes de RM realistas sin lesiones y aumentar los conjuntos de datos para tareas de segmentación de lesiones.

Principales métodos:

• Aprovechó los modelos implícitos de difusión de eliminación de ruido (DDIM) para el relleno de imágenes.
• Arquitectura DDIM modificada tanto para el llenado de lesiones como para la síntesis de tejidos con lesiones.
• Generó imágenes ponderadas en T1 o FLAIR sin lesiones a partir de imágenes con lesiones, y sintetizó lesiones en imágenes de sujetos sanos.

Principales resultados:

• Demostró resultados iniciales prometedores tanto en las tareas de llenado como de síntesis de lesiones.
• El enfoque DDIM modificado muestra potencial para crear imágenes realistas sin lesiones.
• El método puede aumentar eficazmente los conjuntos de datos de entrenamiento para los algoritmos de segmentación de lesiones.

Conclusiones:

• El enfoque propuesto basado en DDIM ofrece una solución novedosa para el llenado y la síntesis de lesiones de EM.
• Esta técnica puede mejorar los análisis posteriores que requieren imágenes de RM sin lesiones.
• La capacidad de síntesis es valiosa para mejorar el entrenamiento del modelo de segmentación de lesiones.