Sintetizar sequências de MRI convencionais por Redes Adversariais Generativas usando apenas T2 para aplicação em um modelo de classificação de gliomas multissequenciais

O objetivo deste estudo foi testar modelos de classificação por aprendizado profundo dos subtipos de glioma usando as imagens geradas. As GANs foram criadas com base nas duas estruturas, pix2pix e cycleGAN. O domínio de origem foi T2 e o domínio alvo foi T1c, T2-FLAIR ou ADC. Os resultados demonstraram que o modelo pix2pix de T2 para T1c tem o maior PSNR e SSI. Quando apenas a sequência T2-flair ou T1c é substituída pela imagem gerada, a precisão da classificação é a mesma da imagem original. Portanto, dependendo exclusivamente das sequências T2, as redes GANs poderiam gerar outras sequências para uso no modelo de classificação de gliomas.