Marco de resonancia magnética multi-secuencia consciente de la contracción tumoral para una evaluación precisa del...

Área de la Ciencia:

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

Sus antecedentes:

• El carcinoma hepatocelular (HCC) plantea un riesgo significativo de mortalidad, siendo la ablación por microondas (MWA) un tratamiento clave para los candidatos no quirúrgicos.
• La evaluación precisa del margen ablativo después de la MWA es crucial, pero complicada por las deformaciones de los tejidos inducidas por el calor.
• Los métodos existentes luchan para cuantificar con precisión la contracción del tumor y su impacto en la evaluación del margen.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de aprendizaje profundo, MDCNet, para cuantificar la contracción tumoral post-MWA utilizando resonancia magnética de secuencias múltiples.
• Para abordar el desafío de las deformaciones no diféomorfas en las imágenes post-MWA para mejorar la evaluación del margen ablativo.
• Mejorar la precisión de la detección de ablaciones incompletas mediante la integración de las predicciones de la contracción tumoral en el registro de imágenes.

Principales métodos:

• Propuso una red complementaria guiada a distancia de múltiples secuencias (MDCNet) utilizando datos de resonancia magnética de múltiples secuencias.
• Se introdujo una estrategia de transformación de la máscara consciente de la distancia para modelar la contracción del tejido diferencial y la atenuación de la energía MWA.
• Implementó un módulo de fusión de canal cerrado para integrar información complementaria de las secuencias de resonancia magnética de fase tardía y T2 ponderadas.
• Evaluó el rendimiento de MDCNet mediante la integración de sus predicciones de contracción tumoral en un modelo de registro TransMorph para 115 pacientes con CHC.

Principales resultados:

• El método de registro mejorado de MDCNet mejoró significativamente la precisión de la deformación tumoral en comparación con los métodos de referencia.
• El enfoque logró un índice Youden más alto en la identificación de ablaciones incompletas, superando las evaluaciones de radiólogos 2D.
• MDCNet proporcionó predicciones interpretables, lo que demuestra su potencial para el apoyo a la decisión clínica en el monitoreo del tratamiento de HCC.

Conclusiones:

• MDCNet cuantifica efectivamente la contracción tumoral después de la MWA mediante el aprovechamiento de la resonancia magnética de múltiples secuencias y técnicas avanzadas de aprendizaje profundo.
• El método propuesto mejora la precisión de la evaluación del margen ablativo y la detección de ablaciones incompletas de HCC.
• MDCNet ofrece una herramienta valiosa para mejorar la evaluación posterior al tratamiento y la toma de decisiones clínicas en el manejo de HCC.