XX International Symposium of Electrical Engineering
SIE 2023
Abstract
Vast quantities of Magnetic Resonance Images (MRI) are routinely acquired in clinical practice but, to speed up acquisition, these
scans are typically of a quality that is sufficient for clinical diagnosis but sub-optimal for large-scale precision medicine, computational diagnostics, and large-scale neuroimaging collaborative research. Here, we present a critic-guided framework to upsample low-resolution (often 2D) MRI full scans to help overcome these
limitations. The automatic raw segmentation of tissues and lesions using the super-resolved images has fewer false positives and higher accuracy than those obtained from interpolated images in protocols represented with more than three sets in the training sample, making our approach a strong candidate for practical application in clinical and collaborative research.
Resumen
En la práctica clínica se adquieren habitualmente grandes cantidades de imágenes de resonancia magnética (MRI), pero, para acelerar la adquisición, estas limitaciones. La segmentación automática sin procesar de tejidos y lesiones utilizando imágenes súper resueltas tiene menos falsos positivos y mayor precisión que las obtenidas a partir de imágenes interpoladas en protocolos representados con más de tres conjuntos en la muestra de entrenamiento, lo que convierte a nuestro enfoque en un fuerte candidato para la aplicación práctica en investigación clínica y colaborativa.
Las exploraciones suelen tener una calidad suficiente para el diagnóstico clínico, pero subóptima para la medicina de precisión a gran escala, el diagnóstico computacional y la investigación colaborativa de neuroimagen a gran escala. Aquí presentamos un marco guiado por críticos para realizar muestreos completos de resonancias magnéticas de baja resolución (a menudo 2D) para ayudar a superar estos problemas.
About The Speaker
Dra. Maria Valdes Hernandez
Discussion
