SEGMENTACIÓN Y SÍNTESIS SIMULTÁNEA DE TEJIDOS ESPECÍFICOS DE PACIENTE EN TIEMPO REAL PARA RESONANCIA MAGNÉTICA DE ULTRA ALTO CAMPO

Abstract

En los últimos años, la aplicación de inteligencia artificial (IA) en el ámbito de la imagen médica ha experimentado un notable crecimiento, permitiendo automatizar procesos que tradicionalmente requerían intervención manual especializada. Entre estos avances destacan los modelos de aprendizaje profundo (DL), especialmente las redes neuronales convolucionales (CNN), que han demostrado gran eficacia en tareas como la segmentación y síntesis de imágenes médicas. Este trabajo se enmarca dentro de ese contexto, centrado en la segmentación y síntesis de imágenes de resonancia magnética de ultra alto campo (UHF-MRI).

El objetivo principal ha sido diseñar y entrenar una red neuronal multitarea, basada en la arquitectura \textit{DoubleOutputResUNet}, capaz de procesar imágenes de entrada en formato NIfTI correspondientes a UHF-MRI, adquiridas mediante el método Dixon. A partir de las imágenes grasa y agua, el modelo realiza simultáneamente dos tareas: por un lado, la segmentación multiclase de estructuras anatómicas relevantes como grasa, agua, materia gris (GM), materia blanca (WM), líquido cefalorraquídeo (LCR), hueso, ojos y pulmones; y por otro, la síntesis de la imagen \textit{in-phase}, lo cual resulta útil para mejorar la visualización clínica sin necesidad de adquirir más secuencias, además de mejorar el rendimiento de la red.

Para entrenar y validar el modelo, se ha trabajado con un conjunto de datos de diez sujetos sanos de 3 imágenes cada uno (mapa de agua, mapa de grasa, inphase) Se ha implementado un flujo completo de preprocesamiento, el cual se ha diseñado para mantener la coherencia espacial entre imágenes y máscaras.

Se han realizado modificaciones de diferentes parámetros del modelo, para conseguir su mejor rendimiento. Estos modelos han sido entrenados mediante funciones de pérdida específicas para cada tarea: el coeficiente de Dice y la Entropía Cruzada para segmentación, y el Error Absoluto Medio (MAE) y el Índice de Similitud Estructural (SSIM) para síntesis. Los resultados obtenidos reflejan una segmentación y síntesis coherente con la imagen real, aunque con margen de mejora, además de ser muy prometedores para estudios de mayor envergadura.