CBCT craneofacial: Abordando el dilema volumen-resolución mediante inteligencia artificial generativa

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Radiología

Sus antecedentes:

• Las imágenes tomográficas de campo de visión amplio, como la tomografía computarizada de haz cónico (CBCT) craneofacial, a menudo tienen una resolución deficiente de estructuras finas como la textura ósea, la porosidad y los conductos radiculares.
• La visualización precisa de estos detalles finos es crucial para la planificación del diagnóstico y el tratamiento en odontología y cirugía craneofacial.

Objetivo del estudio:

• Desarrollar y evaluar un método de superresolución (UNetSPSR) basado en Red Generativa Antagónica (GAN) para mejorar la resolución de imágenes CBCT craneofaciales.
• Evaluar la capacidad del método para recuperar bordes nítidos y detalles finos sin introducir artefactos o alucinaciones.
• Evaluar el impacto de la superresolución en la precisión de la segmentación del hueso trabecular y los conductos radiculares.

Principales métodos:

• Se diseñó una nueva GAN, denominada UNetSPSR, para realizar superresolución en imágenes CBCT craneofaciales de baja resolución.
• El método se entrenó y probó en escaneos CBCT de cráneos humanos, cabezas de cadáver y cabezas de oveja a diferentes resoluciones de vóxeles.
• El rendimiento se comparó con métodos de vanguardia utilizando métricas de relación señal-ruido pico (PSNR) y similitud de parche de imagen perceptual aprendida (LPIPS).
• La generalización se probó en escaneos CBCT clínicos independientes y en un conjunto de datos público externo.

Principales resultados:

• UNetSPSR logró un rendimiento superior en comparación con otros métodos, demostrado por puntuaciones más altas de PSNR y más bajas de LPIPS tanto en datos vistos como no vistos.
• El método mejoró significativamente la segmentación del hueso trabecular, reduciendo el sesgo en la estimación del grosor del 61% al 11%.
• Se mejoró la precisión de la segmentación de los conductos radiculares, con resultados que se asemejan más a las referencias de alta resolución.
• La red mejoró eficazmente las estructuras finas en conjuntos de datos independientes sin artefactos visibles, a pesar de las variaciones en los parámetros de adquisición.

Conclusiones:

• UNetSPSR permite la superresolución que preserva la estructura para CBCT craneofacial, mejorando significativamente la representación de características anatómicas finas.
• El método demuestra sólidas capacidades de generalización dentro de la distribución de datos objetivo y muestra potencial para la aplicación clínica.
• Se justifica una validación externa adicional para confirmar el rendimiento en diversos protocolos de adquisición y poblaciones de pacientes.