Scale-Invariant Deep Learning Approach for QSM Reconstruction: SI-QSM
Loading...
Date
2022
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Mapas cuantitativos de susceptibilidad (QSM) es una técnica basada en resonancia magnética que permite cuantificar la susceptibilidad magnética de los tejidos. Esta técnica ha surgido como un biomarcador potencial para varias enfermedades neurológicas. El proceso de reconstrucción QSM implica la resolución de un problema inverso mal comportado. Actualmente las soluciones iterativas resuelven el problema utilizando heurísticas difíciles de implementar y con alto tiempo de cómputo. Métodos aplicando inteligencia artificial han surgido como soluciones alternativas. Pese a su éxito, estos métodos siguen presentando problemas cuando hay un desajuste en la escala espacial entre los conjuntos de datos de entrenamiento y los mapas de susceptibilidad a reconstruir. En este trabajo se propone la alternativa de inteligencia artificial SI-QSM, que incorpora en su algoritmo el estado del arte de entrenamiento y arquitectura. Los datos de entrenamiento se basan en el modelo analítico y la función de perdida equilibrada la norma L1, la norma L2 y una regularización de variación total. La arquitectura está basada en U-net con capas residuales y kernels con diferentes tamaños. SI-QSM fue entrenado a una escala espacial y probado con simulaciones y datos in-vivo de diferentes escalas espaciales. Se comparó las reconstrucciones de SI-QSM con los estados del arte iterativos e inteligencia artificial. Concluyendo que SI-QSM puede inferir QSM precisas a diferentes escalas, sin producir estructuras borrosas, susceptibilidades sesgadas y con un buen control del ruido o artefactos. Además, SI-QSM superó las otras alternativas de inteligencia artificial y produjo reconstrucciones de calidad similar a las obtenidas por las iterativas, pero es sustancialmente más rápido y sin necesidad de utilizar ninguna heurística para ajustar los parámetros.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2022
Keywords
Magnetic Resonance Imaging, Artificial Intelligence, Dipole inversión, Inverse problems, Quantitative susceptibility mapping