RFDNet: Red de Eliminación de Ruido Robusta Basada en Frecuencia para Imágenes Vasculares de Ultrasonido 3D...

Área de la Ciencia:

• Imágenes Médicas
• Tecnología de Ultrasonido
• Inteligencia Artificial en Medicina

Sus antecedentes:

• La imagen vascular por ultrasonido tridimensional (UVI 3D) es crucial para visualizar estructuras vasculares complejas.
• Las matrices direccionadas por filas y columnas (RCA), comunes en la UVI 3D, introducen ruido en forma de rampa debido a la anisotropía de la función de propagación del punto (PSF), lo que degrada la calidad de la imagen.
• Los métodos de eliminación de ruido existentes tienen dificultades con el sesgo de cambio de dominio, las necesidades específicas de datos y las inconsistencias entre cortes del entrenamiento 2D por corte.

Objetivo del estudio:

• Desarrollar un novedoso método de eliminación de ruido, la Red de Eliminación de Ruido Robusta Basada en Frecuencia (RFDNet), para superar las limitaciones en la UVI 3D.
• Suprimir el ruido en forma de rampa y mejorar la consistencia de la imagen en la UVI 3D.
• Mejorar la robustez frente a los cambios de dominio y las variaciones de intensidad entre cortes.

Principales métodos:

• Se propuso RFDNet, que integra un módulo de Filtrado de Frecuencia Profunda (DFF) en un modelo de eliminación de ruido estándar.
• El módulo DFF filtra adaptativamente los componentes de frecuencia en el codificador para suprimir el ruido y equilibrar el contenido espectral.
• Se evaluó el rendimiento utilizando datos de fantoma Doppler, arteria carótida y abdominales.

Principales resultados:

• RFDNet superó significativamente a los métodos convencionales en la relación señal-ruido pico (PSNR), la similitud estructural (SSIM) y el error cuadrático medio (RMSE).
• El análisis del espectro de frecuencia 2D confirmó la capacidad del módulo DFF para ajustar dinámicamente los componentes de frecuencia y mantener el equilibrio espectral.
• El análisis de la divergencia KL espectral demostró robustez frente a inconsistencias de normalización por corte.

Conclusiones:

• RFDNet reduce eficazmente los artefactos de ruido y mejora la consistencia de la imagen en la UVI 3D.
• El filtrado adaptativo de frecuencia mejora la generalización del dominio y la aplicabilidad clínica al mejorar la fiabilidad de la imagen.
• El trabajo futuro incluye la exploración del entrenamiento 3D y los refinamientos arquitectónicos para mejorar la eficiencia computacional.