MRI sintética mediante Deep Learning para mejorar el diagnóstico de tumores cerebrales

Abstract

En este Trabajo de Fin de Grado se aborda la exploración y aplicación de técnicas de aprendizaje profundo que permitan sintetizar imágenes ponderadas post-contraste, sin la utilización de agente de contraste, a partir de mapas paramétricos cuantitativos de pacientes con distintos grados de gliomas. Este campo de investigación posee importantes motivaciones como son los peligros asociados a los agentes de contraste basados en gadolinio, o las limitaciones que presenta el diagnóstico tradicional por la escala arbitraria de las imágenes ponderadas, entre otras. Para ello, se tomaron como punto de partida los mapas paramétricos, propiedades magnéticas tisulares que incluyen el tiempo de relajación longitudinal (T1), el tiempo de relajación transversal (T2), y la densidad de protones (DP). Gracias a la naturaleza cuantitativa inherente (imagen por resonancia magnética cuantitativa) de ellos, se dispone de un conjunto de datos más robusto para aplicar las técnicas desarrolladas en este trabajo. En el ámbito del aprendizaje profundo, el trabajo gira en torno a dos arquitecturas de red neuronal, dos enfoques de aprendizaje automático, y dos configuraciones de datos de entrada a nuestros modelos. Las redes utilizadas son una red neuronal convolucional con arquitectura U-Net y un transformador de visión aplicado a la arquitectura original (U-Net ViT), para cada cual se aplican dos tipos de aprendizaje, supervisado y autosupervisado, con dos estructuras de datos de entrada cada uno, la imagen completa (cortes completos), y basada en parches. Además, se ha aplicado la técnica de validación cruzada dejando uno fuera ( leave-one-out, LOO, con la que comparar cada uno de estos experimentos. Los modelos nos devuelven predicciones de la imagen ponderada en T1 post-contraste a partir de mapas obtenidos sin la aplicación de gadolinio. Las imágenes obtenidas con aprendizaje profundo se comparan con las imágenes adquiridas, y sobre ellas se calculan métricas de calidad a raíz de las cuales se realizan las comparaciones y discusiones finales entre experimentos. Estas métricas son el error cuadrático medio (mean squared error, MSE), el índice de similitud estructural (structural similarity index measure, SSIM), y la proporción máxima de señal a ruido (Peak Signal-to-Noise Ratio, PSNR).