SÍNTESIS DE TOMOGRAFÍA POR EMISIÓN DE POSITRONES A PARTIR DE IMAGEN DE RESONANCIA MAGNÉTICA

Abstract

Los estudios de PET, al representar la actividad metabólica de los tejidos, permiten diagnosticar de forma más temprana enfermedades de origen canceroso o tumoral que las imágenes anatómicas CT o MR, ya que no necesita que la anomalía sea estructuralmente visible. Sin embargo, su baja precisión anatómica que hace que en ocasiones necesite de otras pruebas diagnósticas, su naturaleza ionizante y su elevado coste, limitan bastante su uso clínico. Surge así la importancia de sintetizar estas imágenes a partir de MR, un estudio anatómico con alto nivel de detalle y no ionizante. En este TFG exploramos la capacidad de las nuevas técnicas de síntesis de imagen basadas en aprendizaje profundo (Deep Learning) para sintetizar imágenes moleculares (18F-FDG PET) a partir de imágenes de resonancia magnética (MR). La base de datos la forman las imágenes extraídas de estudios de MR y PET realizados a 36 pacientes. Para que estas imágenes puedan ser usadas en el entrenamiento de la red se lleva a cabo un preprocesado que incluye conversión de formato, registro de modalidades de imagen, normalización, estandarización y redimensionamiento. Para realizar la síntesis de las imágenes de pseudo-PET se cuenta con una red convolucional. El rendimiento de la red se evalúa con las métricas Mean Absolute Error (MAE), Peak signal-noise ratio (PSNR), Structural Similarity Index (SSIM) y Zero-Normalized Cross-Correlation (ZNCC). El SSIM (0.9297) indica una elevada similitud estructural entre las imágenes sintetizadas y las reales, mientras que las otras métricas en general destacan la gran relación entre ellas (MAE = 0.0999, PSNR = 28.2713, ZNCC = 0.9438, MI = 5838). Si el objetivo de este TFG era sentar las bases para explorar y discutir la cantidad de información que existe en las imágenes anatómicas para la predicción del metabolismo, los resultados concluyen que, si las líneas de investigación que deja abiertas se llevan a cabo, la técnica de síntesis de imágenes de PET puede desarrollarse lo suficiente como para ser aplicada a casos clínicos.