Estimación de grasa hepática basada en MRI no iterativa y consciente de la incertidumbre utilizando un método de aprendizaje profundo no supervisado

La fracción de grasa por densidad de protones del hígado (PDFF), la relación entre las densidades de protones solo de grasa y la densidad de protones total, es un biomarcador ampliamente validado asociado con varias enfermedades. En los últimos años, se han propuesto numerosos métodos basados en aprendizaje profundo para estimar la PDFF con el fin de optimizar los tiempos de adquisición y procesamiento sin sacrificar la precisión, en comparación con los métodos convencionales. Sin embargo, la falta de interpretabilidad y la a menudo pobre generalización de estos modelos basados en DL socavan la adopción de tales técnicas en la práctica clínica. En este trabajo, proponemos un método de descomposición basado en inteligencia artificial de agua y grasa con asimetría de eco y mínimos cuadrados (AI-DEAL), diseñado para estimar tanto la fracción de grasa por densidad de protones (PDFF) como los mapas de incertidumbre asociados. Una vez entrenado, AI-DEAL realiza una separación de agua y grasa en una sola toma de MRI calculando primero las variables de confusión no lineales, R2∗ y el campo fuera de resonancia. Luego emplea un enfoque de mínimos cuadrados ponderados para calcular las señales solo de agua y solo de grasa, junto con su correspondiente matriz de covarianza, que se utilizan posteriormente para derivar la PDFF y su incertidumbre asociada. Validamos nuestro método utilizando CSE-MRI hepático in vivo, un fantoma de agua-grasa y un fantoma numérico. AI-DEAL demostró sesgos de PDFF de 0.25% y -0.12% en dos ROIs hepáticas, superando técnicas de aprendizaje profundo de última generación. Aunque se entrenó utilizando datos in vivo, nuestro método exhibió sesgos de PDFF de -3.43% en el fantoma de agua-grasa y -0.22% en el fantoma numérico sin ruido añadido. Este último sesgo permaneció aproximadamente constante al introducir ruido. Además, las incertidumbres estimadas mostraron un buen acuerdo con los errores observados y las variaciones dentro de cada ROI, destacando su potencial valor para evaluar la fiabilidad de los mapas de PDFF resultantes.