Una red Transformer de modalidad cruzada para la eliminación de ruido de imágenes PET de Tau en dosis bajas guiada...

Área de la Ciencia:

• Neuroimagen
• Inteligencia artificial en medicina
• Radioquímica

Sus antecedentes:

• La imagenología de PET de tau es crucial para diagnosticar y monitorear la enfermedad de Alzheimer y las demencias relacionadas.
• Reducir la dosis de radiación inyectada en la PET de tau es vital para estudios longitudinales.
• Los métodos actuales para la imagenología de PET en dosis bajas requieren una mayor mejora.

Objetivo del estudio:

• Desarrollar un nuevo enfoque de aprendizaje profundo para mejorar la imagenología de PET de tau en dosis bajas.
• Integrar información previa de PET y RM utilizando transformadores de modalidad cruzada.
• Mejorar la calidad de las imágenes de PET de tau para un mejor seguimiento de la enfermedad.

Principales métodos:

• Se desarrolló una nueva red de aprendizaje profundo que incorpora bloques transformadores de modalidad cruzada.
• El método integra información espacial y de canal utilizando mapas de autoatención.
• Se evaluó el rendimiento en 139 conjuntos de datos de PET de tau 18F-MK-6240 dinámicos (marcos tempranos y tardíos).

Principales resultados:

• La red de aprendizaje profundo propuesta mejoró significativamente la calidad de la imagen de PET de tau en dosis bajas.
• El método superó a las redes de referencia que concatenaron imágenes de PET y RM.
• La integración de los priors de PET y RM a través de la atención de modalidad cruzada mejoró la reconstrucción de la imagen.

Conclusiones:

• El enfoque de aprendizaje profundo desarrollado mejora eficazmente la imagenología de PET de tau en dosis bajas.
• Este método es prometedor para el seguimiento preciso y longitudinal de la progresión de la enfermedad de Alzheimer.
• La integración de datos de imagenología multimodal con técnicas avanzadas de IA es beneficiosa para la investigación de la demencia.