Benchmarking de Métodos de Reconstrucción Basados en Aprendizaje Profundo para Tomografía Computarizada Fotoacústica...

Área de la Ciencia:

• Imágenes Médicas
• Imágenes Computacionales
• Inteligencia Artificial en Medicina

Sus antecedentes:

• Los métodos de aprendizaje profundo (DL) están avanzando en la reconstrucción de imágenes de tomografía computarizada fotoacústica (PACT).
• Las evaluaciones actuales de DL carecen de conjuntos de datos estandarizados y métricas clínicamente relevantes.
• Esto dificulta las comparaciones reproducibles y la evaluación fiable de los avances en PACT.

Objetivo del estudio:

• Introducir un marco de referencia estandarizado para la inversión acústica basada en DL en PACT.
• Proporcionar conjuntos de datos sintéticos de código abierto y estrategias de evaluación para PACT.
• Permitir comparaciones justas, reproducibles y clínicamente relevantes de los métodos de reconstrucción.

Principales métodos:

• Se desarrolló un marco con más de 11.000 objetos y lesiones mamarias sintéticas 2D.
• Se incorporaron mediciones emparejadas con complejidad variable.
• Se integraron métricas de calidad de imagen (IQ) tradicionales y basadas en tareas para la evaluación.

Principales resultados:

• El marco permitió la comparación cuantitativa de métodos de DL y basados en física.
• Algunos métodos de DL destacaron en IQ tradicional pero no lograron recuperar lesiones con precisión.
• Se destacó la insuficiencia de las métricas tradicionales de IQ y la necesidad de evaluaciones basadas en tareas.

Conclusiones:

• El marco propuesto facilita comparaciones sistemáticas de métodos de inversión acústica de DL para PACT 2D.
• Promueve evaluaciones objetivas y reproducibles utilizando datos clínicamente relevantes.
• Ayuda en el desarrollo de métodos PACT y la optimización del sistema.