Automatic plane reformating for 4D flow MRI using continuous reinforcement learning

Loading...
Thumbnail Image
Date
2022
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La resonancia magnética de flujo 4D permite calcular parámetros hemodinámicos que proporcionan información valiosa para caracterizar las enfermedades cardiovasculares. Una de las limitaciones es el post procesamiento, el cual requiere mucho tiempo y depende del usuario. En esta investigación desarrollamos un método de aprendizaje profundo reforzado para el reformateo automático de planos en datos de flujo 4D utilizando el algoritmo Asynchronous Advantage Actor Critic para entrenar una red convolucional 2D que actualiza secuencialmente los parámetros del plano hacia un plano objetivo una política de acciones continua. Procesamos datos de flujo 4D de escáneres de resonancia magnética de GE, Siemens y Philips de 67 voluntarios sanos y 20 pacientes con defectos cardíacos congénitos (47 hombres, 34 ± 12,4 años de edad). Todos los conjuntos de datos se dividieron en 50% para entrenamiento, 25% para validación y 25% para prueba, y se confirmaron con validación cruzada de 4 carpetas. Nuestro método obtuvo excelentes resultados en términos de errores de angulación y distancia (media de 7,88 ± 4,33 grados y 3,46 ± 3,25 mm) con una correlación de flujo de 0,82. Adaptamos con éxito un método de aprendizaje de refuerzo contínuo al reformateo de planos de flujo 4D, apto para datos de diferentes fabricantes de escáneres de resonancia magnética, con resultados prometedores en voluntarios sanos y pacientes. Trabajo futuro con mas datos y planos es necesario para la validación clínica.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2022
Keywords
Flujo 4D, Aprendizaje profundo, Aprendizaje reforzado, Reformateo de planos
Citation