Modelo de Difusão Auto-Supervisionado Multipath de Duplo Domínio para Reconstrução Acelerada de MRI

A ressonância magnética (MRI) é uma ferramenta diagnóstica vital, mas seus tempos de aquisição inherentemente longos reduzem a eficiência clínica e o conforto do paciente. Avanços recentes em aprendizado profundo, particularmente modelos de difusão, melhoraram a reconstrução acelerada de MRI. No entanto, o treinamento dos modelos de difusão existentes geralmente depende de dados totalmente amostrados, os modelos acarretam altos custos computacionais e frequentemente carecem de estimativa de incerteza, limitando sua aplicabilidade clínica. Para superar esses desafios, propomos um novo framework, chamado modelo de difusão auto-supervisionado multipath de duplo domínio (DMSM), que integra um esquema de treinamento de modelo de difusão auto-supervisionado de duplo domínio, uma rede de atenção híbrida leve (LHAN) para o modelo de difusão de reconstrução e uma estratégia de inferência multipath, para melhorar a precisão, eficiência e explicabilidade da reconstrução. Diferentemente dos modelos baseados em difusão tradicionais, o DMSM elimina a dependência do treinamento a partir de dados totalmente amostrados, tornando-o mais prático para cenários clínicos do mundo real. Avaliamos o DMSM em dois conjuntos de dados humanos de MRI, demonstrando que ele alcança desempenho favorável em relação a várias linhas de base supervisionadas e auto-supervisionadas, particularmente na preservação de estruturas anatômicas finas e na supressão de artefatos sob fatores elevados de aceleração. Além disso, nosso modelo gera mapas de incerteza que correlacionam razoavelmente bem com erros de reconstrução, oferecendo orientação clínica interpretável valiosa e potencialmente aumentando a confiança diagnóstica. O código-fonte e as instruções estão disponíveis publicamente em https://github.com/Advanced-AI-in-Medicine-and-Physics-Lab/DMSM.