Estimador de descomposición de materiales definido implícitamente y proxy neuronal aprendido informado por la física...

Área de la Ciencia:

• Imagenología Médica
• Imagenología Computacional
• Ciencia de Datos

Sus antecedentes:

• Los sistemas de TC de detectores de recuento de fotones (PCCT) permiten la imagen cuantitativa a través de la descomposición de materiales (MD).
• La estimación iterativa de máxima verosimilitud (MLE) para MD es precisa pero computacionalmente intensiva.
• Los métodos empíricos ofrecen velocidad pero pueden introducir sesgos y ruido.

Objetivo del estudio:

• Desarrollar un método computacionalmente eficiente para la descomposición de materiales en PCCT.
• Aprovechar la función implícita definida por MLE iterativo para la destilación del conocimiento.
• Permitir imágenes espectrales cuantitativas de alta calidad y en tiempo real.

Principales métodos:

• Se aplicó el Teorema de la Función Implícita para aproximar el mapeo implícito de MLE.
• Se utilizaron redes neuronales y entrenamiento de Sobolev para crear un modelo proxy explícito (Proxy MD).
• Se realizó un análisis teórico de la Jacobiana para MD diferenciable y entrenamiento de extremo a extremo.

Principales resultados:

• Proxy MD logró una aceleración >200 veces en comparación con MLE iterativo.
• El método propuesto se acercó mucho al rendimiento de MLE iterativo.
• Proxy MD superó a los métodos empíricos convencionales en precisión y manejo del ruido.
• Demostró capacidades de imagen cuantitativa diferenciable de PCCT.

Conclusiones:

• Proxy MD ofrece una alternativa computacionalmente eficiente y precisa para la imagen espectral cuantitativa en PCCT.
• El enfoque permite aplicaciones en tiempo real y abre vías para tuberías de imagen diferenciables.
• Los conocimientos teóricos facilitan avances adicionales en la optimización de MD iterativa.