Influencia de los artefactos de secuencia dominante en la IA generativa para la mejora virtual de contraste en la RM de mama

Qué problema aborda

La resonancia magnética de mama con mejora virtual de contraste (vCE) es una técnica basada en aprendizaje profundo que genera imágenes con apariencia de contraste a partir de adquisiciones sin contraste. Un componente clave en esta técnica es la imagen por difusión (DWI), que puede estar afectada por artefactos que comprometen la calidad de las imágenes generadas. El estudio se centra en evaluar cómo estos artefactos influyen en la robustez y la implementación clínica de la vCE.

Qué hicieron los autores

Los autores realizaron un estudio retrospectivo con 1,974 exámenes de RM multiparamétricos de mama, utilizando dos escáneres de RM clínicos de 3T entre 2017 y 2022. Las imágenes de DWI fueron clasificadas automáticamente en función de la presencia de artefactos de alta y baja intensidad. Se entrenó un modelo de generación de imágenes (pix2pix 2D-GAN) utilizando dos enfoques: excluyendo las secciones afectadas por artefactos (vCE-clean) y utilizando todas las secciones disponibles (vCE-all). La evaluación del rendimiento se llevó a cabo mediante métricas de similitud de imágenes y análisis de lesiones.

Qué encontraron

Los resultados mostraron que al excluir las secciones afectadas por artefactos durante la capacitación, se obtuvo un leve aumento en el índice de similitud estructural (SSIM) de las imágenes, aunque el tamaño del efecto fue pequeño (vCE-all 0.843 ± 0.034; vCE-clean 0.849 ± 0.031, p < 0.001). Sin embargo, las métricas basadas en lesiones y las valoraciones cualitativas de la mejora de lesiones y la calidad de imagen fueron comparables entre ambos modelos. Durante la inferencia, se observó que los artefactos severos de pérdida de señal en DWI estaban asociados con un aumento en los errores basados en lesiones.

Limitaciones

El texto disponible no detalla limitaciones específicas del estudio.

Lectura final

Este estudio resalta la importancia del control de calidad de imagen en la resonancia magnética de mama, especialmente en el contexto de la implementación de técnicas de inteligencia artificial. La capacidad de la IA para generar imágenes de contraste a partir de adquisiciones sin contraste podría verse comprometida por artefactos en las imágenes, lo que subraya la necesidad de asegurar la calidad de las imágenes en entornos clínicos.