q-Space Deep Learning: Doze Vezes Menor e Livre de Modelos em Ressonância Magnética por Difusão

Numerosos campos científicos dependem de elaborados, mas parcialmente subótimos, pipelines de processamento de dados. Um exemplo é a ressonância magnética por difusão (RM por difusão), um método de avaliação de microestrutura não invasivo com uma aplicação proeminente em neuroimagem. Modelos de difusão avançados que fornecem caracterizações microestruturais precisas até agora exigiram longos tempos de aquisição e, portanto, foram inaplicáveis a crianças e adultos que são não cooperativos, desconfortáveis ou doentes. Mostramos que os longos requisitos de tempo de escaneamento são principalmente devido a desvantagens do processamento de dados clássico. Demonstramos como o aprendizado profundo, um grupo de algoritmos baseado em avanços recentes no campo das redes neurais artificiais, pode ser aplicado para reduzir o processamento de dados da RM por difusão a um único passo otimizado. Essa modificação permite obter medidas escalares de modelos avançados com um tempo de escaneamento reduzido em doze vezes e detectar anomalias sem o uso de modelos de difusão. Estabelecemos um novo estado da arte ao estimar medidas de curtose de difusão a partir de apenas 12 pontos de dados e medidas de dispersão e densidade de orientação de neuritos a partir de apenas 8 pontos de dados. Isso permite protocolos rápida e robustamente sem precedentes que facilitam a rotina clínica e demonstra como o processamento de dados clássico pode ser otimizado por meio do aprendizado profundo.