Adquisición de mapas de parámetros de perfusión K^trans de DCE-MRI en cáncer de mama utilizando un enfoque de...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.
• Radiología Radiología.

Sus antecedentes:

• El cálculo de mapas K^trans tradicional es computacionalmente intensivo y propenso a errores, lo que dificulta el uso de diagnóstico clínico.
• La estimación de la función de entrada arterial (AIF) y la variabilidad del modelo complican las mediciones de K^trans.

Objetivo del estudio:

• Investigar la viabilidad del uso de técnicas de aprendizaje profundo (DL) para sintetizar mapas de parámetros de perfusión K^trans.
• Para generar mapas K^trans a partir de imágenes de resonancia magnética (MR) con contraste mejorado utilizando DL.

Principales métodos:

• Se empleó una arquitectura de red adversaria generativa condicional (cGAN) basada en pix2pix para generar mapas de mama K^trans.
• Las métricas de evaluación incluyeron la relación pico señal-ruido (PSNR) y la medida del índice de similitud estructural (SSIM).
• La evaluación radiológica y los análisis estadísticos (correlación Pearson, Bland-Altman) compararon mapas K^trans sintéticos y reales.

Principales resultados:

• El modelo pix2pix con normalización espectral (SN) y un discriminador local (LD) logró un rendimiento óptimo (PSNR: 15.167±0.125, SSIM: 0.690±0.014).
• Los mapas sintéticos K^trans demostraron una fuerte correlación con los mapas reales (r=0,82) y una diferenciación significativa de los tipos de tumor (P<0,001).
• Los radiólogos no pudieron distinguir con fiabilidad los mapas sintéticos de los mapas K^trans reales (precisión: 41.18%).

Conclusiones:

• Un método basado en DL sintetiza con éxito mapas de parámetros de perfusión de mama K^trans de DCE-MRI.
• Este enfoque ofrece una solución novedosa y práctica para generar mapas K^trans, lo que potencialmente mejora el diagnóstico clínico.