SeRL: Aprendizaje de representación de incrustación de estilo para la síntesis de imágenes de TC no supervisadas a...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Investigación sobre carcinoma hepatocelular (CHC)

Sus antecedentes:

• El carcinoma hepatocelular (CHC) es una de las principales causas de muerte por cáncer a nivel mundial y en los EE. UU.
• La tomografía computarizada (TC) y la resonancia magnética (RM) son cruciales para el diagnóstico del CHC, pero tienen inconvenientes como la radiación y el costo.
• La detección de tumores en datos combinados de TC y RM es un desafío debido a las diferencias en la representación de los órganos, y la anotación manual consume mucho tiempo.

Objetivo del estudio:

• Desarrollar un método de traducción de imágenes no supervisado y sin emparejar para exploraciones de TC y RM abdominales.
• Mejorar la calidad de las imágenes médicas sintetizadas incrustando información de estilo-representación.
• Superar los desafíos en la detección de tumores a partir de datos de imágenes multimodales.

Principales métodos:

• Se propuso un marco de aprendizaje de representación de incrustación de estilo (SeRL) para la traducción de imágenes de TC y RM no supervisadas.
• Se incorporó el estilo-representación de imágenes reales de TC y RM para mejorar la calidad de la traducción y evitar mínimos locales.
• Se utilizó un método de aumento de corrosión de parches para aumentar la diversidad de datos de entrenamiento.
• Se integró un módulo de autoatención para reducir el ruido de los valores de píxeles de escala de grises bajos.

Principales resultados:

• SeRL generó con éxito imágenes de TC de alta calidad a partir de imágenes de RM para pacientes con CHC.
• Las evaluaciones utilizando la distancia Frechet Inception (FID), la distancia Sliced Wasserstein (SWD) y la puntuación de dados de segmentación hepática demostraron un rendimiento superior.
• El método demostró ser ventajoso sobre las técnicas existentes de última generación para la traducción de imágenes médicas no supervisadas.

Conclusiones:

• El método propuesto SeRL ofrece una solución eficaz para la traducción de imágenes médicas no supervisadas entre las modalidades de TC y RM.
• SeRL mejora la calidad de la síntesis de imágenes al aprovechar la representación de estilo y las técnicas de aumento avanzadas.
• Este enfoque tiene el potencial de reducir la carga de trabajo del médico y mejorar la precisión del diagnóstico en el manejo del CHC.