Una estrategia para la reducción de artefactos metálicos en TC impulsada por simulación hacia la mejora de la...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Física Computacional

Sus antecedentes:

• Los métodos actuales de aprendizaje profundo para la reducción de artefactos metálicos en tomografía computarizada (TC) (MAR) a menudo carecen de modelado físico explícito, lo que genera problemas como alucinaciones y distorsiones anatómicas.
• Estos enfoques basados en datos requieren extensos conjuntos de datos emparejados, lo que limita su escalabilidad y generalización en diferentes escenarios de imagen.

Objetivo del estudio:

• Desarrollar un nuevo marco autorregulado para MAR de TC que integre el aprendizaje profundo con conocimiento de la física para mejorar la reducción de artefactos.
• El marco tiene como objetivo mejorar la escalabilidad, reducir la alucinación y preservar la fidelidad estructural en imágenes de TC combinando un perceptrón multicapa (MLP) con un modelo de difusión latente (LDM).

Principales métodos:

• Un perceptrón multicapa (MLP) ligero realiza una corrección de endurecimiento del haz impulsada por la física, incorporando la consistencia del sinograma para la adaptación.
• Los parámetros aprendidos del MLP simulan imágenes contaminadas por artefactos a partir de escaneos sin artefactos, creando datos pseudo-emparejados para el entrenamiento autorregulado de un modelo de difusión latente (LDM) condicional.

Principales resultados:

• El marco propuesto demuestra una reducción superior de artefactos metálicos y preservación estructural en comparación con técnicas de vanguardia en conjuntos de datos sintéticos y clínicos reales.
• Al operar en un espacio latente de baja dimensión, el modelo de difusión latente (LDM) reduce significativamente el tiempo de inferencia manteniendo una reconstrucción de imagen de alta calidad.

Conclusiones:

• Se desarrolló con éxito un marco de MAR de TC autorregulado que combina la corrección de endurecimiento del haz basada en MLP y un LDM condicional.
• El marco permite el entrenamiento totalmente autorregulado sin datos emparejados, ofreciendo una supresión robusta de artefactos y preservación estructural, superando a los métodos existentes.