Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images | Newswise

Esta investigación presenta QCG-DTI, un marco de aprendizaje profundo que estima con precisión los tensores de difusión mediante esquemas flexibles de muestreo en el espacio-q. Al eliminar la dependencia de protocolos de muestreo fijos, esta innovación permite una mayor versatilidad en la adquisición de datos, abordando una limitación significativa de las técnicas actuales de imagen médica. El método garantiza una consistencia robusta de las características mediante módulos de incrustación y fusión de coordenadas, mejorando la fiabilidad del mapeo de la conectividad estructural. El enfoque demuestra un rendimiento superior en la reconstrucción de métricas de difusión de alta calidad en comparación con los métodos más avanzados existentes. Su capacidad para funcionar eficazmente con un número mínimo de imágenes ponderadas en difusión reduce el tiempo de adquisición mientras mantiene una alta fidelidad. Esta capacidad es particularmente valiosa en entornos clínicos y de investigación, donde la eficiencia del escaneo y la comodidad del paciente son preocupaciones críticas. Este desarrollo es altamente relevante para las iniciativas de datos abiertos, ya que promueve la interoperabilidad de conjuntos de datos diversos de resonancia magnética de difusión (dMRI) procedentes de múltiples centros. Al estandarizar el procesamiento de esquemas de muestreo variables, QCG-DTI facilita la agregación y el intercambio de datos heterogéneos entre diferentes instituciones. Esta compatibilidad fomenta una colaboración más amplia y un análisis más exhaustivo dentro de la comunidad de neuroimagen de código abierto.

Fuente: newswise.com
Publicado el 2025-10-21

Q-space-coordinate-guided neural networks for high-fidelity diffusion tensor estimation from minimal diffusion-weighted images | Newswise

Noticias relacionadas