Mejora de imágenes para RM acelerada mediante un marco conjunto de GAN y modelo de difusión

Área de la Ciencia:

• Imágenes Médicas
• Radioterapia
• Inteligencia Artificial

Sus antecedentes:

• La resonancia magnética (RM) ofrece un contraste de tejidos blandos superior en la radioterapia guiada por imágenes (MRgRT) en comparación con la TC convencional.
• Los protocolos de RM acelerada mejoran el flujo de trabajo, pero a menudo producen imágenes de baja calidad, lo que afecta la precisión.
• Los métodos de aprendizaje profundo existentes tienen dificultades para corregir completamente los errores, lo que genera incertidumbres clínicas.

Objetivo del estudio:

• Desarrollar y evaluar un enfoque de aprendizaje profundo para mejorar la calidad de la imagen de RM acelerada.
• Garantizar una orientación precisa del tumor a través de un registro de imágenes preciso.
• Reducir el tiempo de escaneo del paciente y la incomodidad durante la radioterapia.

Principales métodos:

• Se desarrolló un novedoso marco de aprendizaje profundo, la Red de Mejora de Refinamiento Residual (RRENet), que combina redes generativas adversarias (GAN) y modelos de difusión (DM).
• RRENet emplea un proceso de dos etapas: GAN para el contenido de baja frecuencia y DM para el refinamiento de errores residuales.
• Se integró un Módulo de Entrenamiento de Separación de Alta Frecuencia (HSTM) para preservar los detalles anatómicos finos, y la calidad de la imagen se evaluó mediante PSNR, SSIM y RMSE.

Principales resultados:

• RRENet redujo el tiempo de imagen en un 70% en comparación con los protocolos estándar, manteniendo una alta calidad de imagen (SSIM: 92,27%, PSNR: 32,84 dB).
• Las imágenes mejoradas demostraron una alineación precisa con la TC de planificación (traslación ≤2,2 mm, rotación ≤0,2°).
• El método garantizó la precisión para la corrección de la configuración del paciente en MRgRT.

Conclusiones:

• El método propuesto RRENet genera imágenes de alta calidad a partir de secuencias de RM acelerada.
• Reduce eficazmente el tiempo de adquisición, lo que es crucial para los flujos de trabajo de MRgRT.
• El enfoque garantiza una orientación precisa del tumor a través de un registro de imágenes confiable.