Segmentación automática del pulmón con aprendizaje profundo en MRI 3D de bajo campo (0.55 T)

La resonancia magnética pulmonar (MRI) a bajo campo es una modalidad de imagen emergente con el potencial de proporcionar una evaluación repetible y libre de radiación de la estructura y función pulmonar. En particular, las nuevas técnicas de MRI pulmonar 3D a 0.55 T ofrecen mayor comodidad para el paciente y menores costos del sistema, pero el análisis de las imágenes sigue siendo desafiante debido a la baja relación señal-ruido (SNR) y al reducido contraste tisular en comparación con la MRI de mayor campo o la tomografía computarizada (CT). La segmentación precisa del pulmón es un primer paso crítico para el análisis cuantitativo de imágenes pulmonares, ya que permite la medición confiable de volúmenes pulmonares, cambios regionales de señal, métricas relacionadas con la ventilación y comparaciones longitudinales. La segmentación manual es un proceso lento y sujeto a variabilidad entre observadores, lo que motiva la necesidad de enfoques automáticos robustos. Los avances recientes en aprendizaje profundo (DL) han demostrado un alto rendimiento en la segmentación de imágenes médicas; sin embargo, la mayoría de los métodos existentes para segmentación pulmonar han sido desarrollados para CT o MRI de alto campo y pueden no generalizar adecuadamente a datos de bajo campo a 0.55 T. Este proyecto tiene como objetivo desarrollar y evaluar métodos basados en aprendizaje profundo para la segmentación automática 3D del pulmón en MRI a 0.55 T, evaluando su robustez frente a bajo SNR y movimiento.