S³CNet: red cooperativa siamesa auto-supervisada para acelerar la reconstrucción de imágenes por resonancia magnética

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.
• Procesamiento de señales Procesamiento de señales.

Sus antecedentes:

• El aprendizaje profundo (DL, por sus siglas en inglés) acelera la adquisición de resonancia magnética, pero requiere extensos datos totalmente muestreados.
• Las limitaciones de los datos de resonancia magnética clínica obstaculizan la aplicación práctica de los métodos de reconstrucción DL.
• Los métodos actuales de DL para la reconstrucción de resonancia magnética se enfrentan a desafíos debido a la escasez de datos etiquetados con muestras completas.

Objetivo del estudio:

• Proponer una red cooperativa siamesas auto-supervisada (S3CNet) para la reconstrucción de resonancia magnética de alta calidad.
• Reducir la dependencia de datos de muestras completas para la reconstrucción de resonancia magnética basada en DL.
• Mantiene un excelente rendimiento de reconstrucción utilizando datos de k-espacio submuestreados.

Principales métodos:

• Desarrolló un marco de reconstrucción auto-supervisado de dos etapas (S3CNet) compatible con varios patrones de muestreo.
• Empleó pérdidas de consistencia de medición y de consistencia cruzada para la supresión de ruido en la primera etapa.
• Utilizó la reconstrucción de la pérdida de consistencia con pseudoetiquetas en la segunda etapa para una mayor generalización.

Principales resultados:

• S3CNet demostró un rendimiento superior en comparación con los métodos auto-supervisados de última generación en el conjunto de datos FastMRI.
• La calidad de la reconstrucción lograda por S3CNet fue comparable a los métodos totalmente supervisados.
• El método sobresalió en diversas tasas de submuestreo y patrones de muestreo.

Conclusiones:

• S3CNet elimina efectivamente la necesidad de datos de entrenamiento con muestras completas en la reconstrucción de resonancia magnética basada en DL.
• La red logra una alta calidad de reconstrucción y fuertes capacidades de generalización.
• Presenta una solución práctica para acelerar la adquisición de resonancia magnética clínica.