Robust deep learning methods for accountable contrast-agent-free CMR imaging in clinical applications
Descripción del Articulo
La resonancia magnética cardiovascular con mapeo T1 es una herramienta no invasiva para caracterizar el tejido miocárdico, útil en el diagnóstico de diversas cardiopatías. Sin embargo, su implementación rutinaria enfrenta limitaciones como artefactos de movimiento, falta de visualización avanzada, a...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de Publicación: | 2024 |
| Institución: | Superintendencia Nacional de Educación Superior Universitaria |
| Repositorio: | Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI |
| Lenguaje: | inglés |
| OAI Identifier: | oai:repositorio.sunedu.gob.pe:20.500.14366/5720 |
| Enlace del recurso: | https://hdl.handle.net/20.500.14366/5720 |
| Nivel de acceso: | acceso abierto |
| Materia: | aprendizaje profundo inteligencia artificial resonancia magnética cardiovascular análisis de imágenes médicas mapeo T1 https://purl.org/pe-repo/ocde/ford#3.00.00 |
| Sumario: | La resonancia magnética cardiovascular con mapeo T1 es una herramienta no invasiva para caracterizar el tejido miocárdico, útil en el diagnóstico de diversas cardiopatías. Sin embargo, su implementación rutinaria enfrenta limitaciones como artefactos de movimiento, falta de visualización avanzada, ausencia de segmentación automatizada y necesidad de anotación manual de puntos anatómicos. Este trabajo propone métodos robustos basados en aprendizaje profundo para superar estas barreras sin requerir agentes de contraste. Primero, se desarrolló una red neuronal convolucional para corregir artefactos de movimiento en secuencias T1, mejorando la calidad diagnóstica frente a técnicas tradicionales. Segundo, se implementó un modelo basado en transformadores de visión para generar mapas de reactividad T1 durante estrés, permitiendo análisis detallado sin gadolinio. Tercero, se diseñó un marco de segmentación automática con control de calidad, reduciendo variabilidad interobservador y aumentando la fiabilidad. Finalmente, se entrenó una red de dos etapas para anotar puntos anatómicos clave, facilitando la segmentación estandarizada según el modelo AHA. Estos avances proporcionan herramientas reproducibles y escalables para optimizar el flujo clínico, reducir costos y promover la adopción de resonancia magnética cardiovascular libre de agentes de contraste en entornos asistenciales. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
