Método de aprendizaje profundo impulsado por el modelo de inversión no lineal para imágenes de resonancia magnética...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial en la medicina.
• La neurociencia es la neurociencia.

Sus antecedentes:

• El mapeo cuantitativo de la susceptibilidad (QSM) es vital para evaluar las condiciones cerebrales.
• Los métodos convencionales de QSM sufren de artefactos y ruido.
• Los métodos de aprendizaje profundo existentes para QSM a menudo carecen de limitaciones físicas.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje profundo basado en modelos para QSM.
• Mejorar la precisión cuantitativa y suprimir los artefactos en QSM.
• Hacer cumplir la fidelidad de los datos del modelo dipolo dentro de una red de aprendizaje profundo.

Principales métodos:

• Propuso un modelo de aprendizaje profundo de inversión de susceptibilidad no lineal (NSIDL).
• Integró un modelo de inversión de susceptibilidad no lineal (NSI) en una red neuronal convolucional.
• Descenso de gradiente proximal empleado (PGD) para la optimización, entrenado y validado en datos de MRI de orientación múltiple.

Principales resultados:

• NSIDL logró una precisión cuantitativa superior en los conjuntos de datos de prueba (pendiente = 0,716, R2 = 0,6140).
• Se demostró una mayor fidelidad de imagen en el conjunto de datos RC-1 con NRMSE y HFEN más bajos, y PSNR más alto.
• Eficazmente suprimió artefactos en lesiones hemorrágicas y mejoró la claridad de las lesiones de EM en evaluaciones clínicas.

Conclusiones:

• NSIDL combina un modelo físico no lineal con la regularización basada en datos para mejorar QSM.
• El método ofrece una sólida supresión de artefactos y mediciones de alta fidelidad.
• NSIDL muestra un potencial significativo para aplicaciones clínicas precisas de QSM.