Aceleración de la RMN con muestreo posterior latente informado longitudinalmente

Área de la Ciencia:

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

Sus antecedentes:

• La resonancia magnética longitudinal es crucial, pero aprovechar las exploraciones previas para la reconstrucción es difícil.
• Los modelos de aprendizaje profundo existentes requieren datos longitudinales emparejados, lo cual es escaso.
• Los cambios anatómicos sustanciales entre escaneos plantean desafíos para los métodos tradicionales.

Objetivo del estudio:

• Acelerar la adquisición de resonancia magnética mediante la incorporación de exploraciones anteriores en el proceso de reconstrucción.
• Desarrollar un marco de reconstrucción que no requiera datos de entrenamiento emparejados longitudinalmente.
• Introducir un nuevo conjunto de datos clínicos de acceso abierto para la investigación de resonancia magnética longitudinal.

Principales métodos:

• Se propuso un marco de reconstrucción basado en el modelo de difusión.
• El modelo fue entrenado usando imágenes independientes, tratando todos los puntos de tiempo como muestras de la misma distribución.
• Las exploraciones previas (formato DICOM) se integraron en la inferencia para guiar la reconstrucción de la exploración de seguimiento.

Principales resultados:

• El método propuesto superó las líneas de base longitudinales y no longitudinales en imágenes cartesianas aceleradas.
• La calidad de imagen mejoró hasta en un 10% en SSIM y 2 dB en PSNR en regiones similares a las exploraciones anteriores.
• El método mostró robustez a los cambios anatómicos y errores de registro en comparación con las líneas de base longitudinales.

Conclusiones:

• Las exploraciones previas se pueden integrar efectivamente con la reconstrucción basada en la difusión para mejorar la resonancia magnética.
• Este enfoque mejora la calidad de la imagen y permite una mayor aceleración del escaneo.
• Este método evita la necesidad de extensos conjuntos de datos de entrenamiento emparejados longitudinalmente.