Eliminación de ruido de imágenes PET usando un método de Deep Learning para pacientes con obesidad extrema

Eliminación de ruido de imágenes PET usando un método de Deep Learning para pacientes con obesidad extrema

NUBIX PACS

Introducción

La calidad de una imagen PET-CT se puede ver afectada por un hábito corporal grande, particularmente con pacientes que tienen un índice de masa corporal (IMC) elevado. Esto se debe a que se genera una considerable atenuación de los fotones y una alta fracción de dispersión, ocasionando ruido de imagen e influyendo en el diagnóstico visual de las lesiones.

Esta investigación tuvo como objetivo la restauración de la calidad de imagen al disminuir el grado de ruido de imágenes clínicas PET-CT de pacientes con obesidad extrema. Se buscó llegar a un nivel de ruido similar al de pacientes con un IMC normal, a través de la implementación del Deep Learning.

Materiales y métodos

Se usaron 2916 estudios de PET-CT, con pacientes con obesidad de clase 1, 2 y 3. Las imágenes obtenidas de los sujetos fueron reconstruidas con algoritmos de maximización, filtros gaussianos y ratio de downsampling.

Para las mediciones de ruido se empleó una medición con desviación estándar normalizada obtenida de las zonas de interés del hígado. Para disminuir el ruido, se aplicó una U-Net compuesta por parches tridimensionales. Asimismo se formó con tres niveles: canal de contracción, cuello de botella y canal expansión. En cuanto al entrenamiento del algoritmo, se seleccionaron aleatoriamente a 100 personas con un IMC normal y se incorporaron imágenes PET de recuento bajo y completo.

Resultados

En relación con los resultados obtenidos de la desviación estándar, el 40% de las imágenes PET de los sujetos con un IMC normal fue el más cercano al de los pacientes con obesidad extrema. Por ende, ese porcentaje fue el utilizado para el entrenamiento de la U-Net A. Esta última mostró disminuir de forma efectiva el ruido, conservando en su mayoría la resolución y calidad de la imagen. No obstante, se observó que las imágenes procesadas por la U-Net B se suavizaron en gran medida, lo que produjo una consecuente pérdida de detalles.

Tras eliminar el ruido con el método de Deep Learning, no se encontraron cambios notables entre la desviación estándar normalizada de la U-Net A y los pacientes con obesidad de clase 1. Por otro lado, sí hubo diferencia considerable entre las imágenes sin ruido de la U-Net B y la clase 1.

Discusión y conclusiones

En el estudio se emplearon dos redes neuronales convolucionales profundas para la disminución de ruido en imágenes PET clínicas. Una de ellas se entrenó con un recuento controlado, mientras que la con un recuento inconsciente. Los resultados obtenidos demostraron que la U-Net con el controlado superó a la del recuento inconsciente, disminuyendo el ruido de las imágenes de los pacientes con obesidad extrema y manteniendo las estructuras finas sin la necesidad de realizar un sobredimensionamiento.

Cabe mencionar que el porcentaje utilizado puede no ser aplicable para todos los casos y colocar valores constantes no sería idóneo. Por ende, se propone el uso de soluciones autoadaptativas en función de una desviación estándar normalizada para cada paciente.  Por el momento no se conoce el desempeño de técnicas semejantes para disminuir el ruido de imágenes clínicas PET de pacientes que tengan obesidad extrema. Debido a esto, no se ha podido establecer un grado óptimo de ruido que se pueden emplear en los entrenamientos de red.

Traducido y adaptado de: H. Liu et al., «PET Image Denoising Using a Deep-Learning Method for Extremely Obese Patients,» in IEEE Transactions on Radiation and Plasma Medical Sciences, vol. 6, no. 7, pp. 766-770, Sept. 2022, doi: 10.1109/TRPMS.2021.3131999.