Angular super-resolution in diffusion-weighted magnetic resonance imaging using diffusion probabilistic models (2026)
- Authors:
- Autor USP: ÁVILA, ANDRÉ RIESCO DE - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/D.18.2026.tde-10032026-141324
- Subjects: RESSONÂNCIA MAGNÉTICA; REDES NEURAIS; MODELOS PARA PROCESSOS ESTOCÁSTICOS; IMAGEM POR RESSONÂNCIA MAGNÉTICA
- Keywords: diminuição do tempo de aquisição; modelos probabilísticos de difusão; redes neurais de super-resolução; super-resolução angular
- Language: Inglês
- Abstract: A ressonância magnética (RM) é uma técnica capaz de produzir imagens de alta qualidade do corpo humano, sendo considerada o padrão ouro em imagem médica para muitas partes do corpo, especialmente para tecidos moles como o cérebro. Além disso, ela não expõe o paciente à radiação ionizante, como ocorre em raios-X e tomografias computadorizadas. No entanto, os exames de RM são mais caros e têm tempos de aquisição mais longos. Fazendo uso da tecnologia de RM também é possível obter imagens que fornecem informações como a difusão de moléculas de água no cérebro (RM de difusão), o que pode ser muito útil na detecção rápida de derrame e até no diagnóstico de doenças. No entanto, a RM de difusão requer a aquisição de imagens em muitas direções de gradiente de difusão, o que leva muito tempo, na ordem de vários minutos a mais de uma hora. Para diminuir esse tempo de aquisição, é possível reduzir a resolução da imagem adquirida ou o número de direções de gradiente de difusão. Nos últimos anos, técnicas de aprendizado profundo têm mostrado bons resultados na melhoria da qualidade da RM de difusão com menor resolução ou menos direções de gradiente de difusão. Com base nisso, este trabalho propõe um método para melhorar a qualidade da RM de difusão com menos direções de gradiente de difusão adquiridas, através do uso de uma rede neural de super-resolução. A rede neural de super-resolução utilizada neste trabalho é a classe dos modelos de difusão, uma classe de redes neurais generativas que nos últimos anos têm mostrado resultados excepcionais na tarefa de super-resolução em muitas aplicações, incluindo na área médica. O método proposto foi capaz de melhorar as métricas de difusão obtidas com poucas direções de gradiente de difusão (8 direções- 6 DWIs + 2 bos). Como foi utilizada a imagem por tensor de difusão, a anisotropia fracionada é a métrica mais sensível ao número dedireções, e nesta métrica houve melhoria tanto visualmente, quanto nas métricas de avaliação propostas (SSIM aumentou de 0.7182 para 0.8028, PSNR de 16.19 para 19.52, a diferença nos valores da mediana diminuiram de 46,42% para 14,54%, e a porporção de voxels com diferença estatística no TBSS reduziu de 58,17% para 53,77%). No entanto, a abordagem também incorre em alto custo computacional e, devido a potenciais alucinações de IA generativa, é mais adequada para aplicações que dependem de valores estatísticos ao invés de interpretação visual de imagens.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2026
- Data da defesa: 16.01.2026
- Status:
- Nenhuma versão em acesso aberto identificada
-
ABNT
ÁVILA, André Riesco de. Angular super-resolution in diffusion-weighted magnetic resonance imaging using diffusion probabilistic models. 2026. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2026. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-10032026-141324/. Acesso em: 31 mar. 2026. -
APA
Ávila, A. R. de. (2026). Angular super-resolution in diffusion-weighted magnetic resonance imaging using diffusion probabilistic models (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18152/tde-10032026-141324/ -
NLM
Ávila AR de. Angular super-resolution in diffusion-weighted magnetic resonance imaging using diffusion probabilistic models [Internet]. 2026 ;[citado 2026 mar. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-10032026-141324/ -
Vancouver
Ávila AR de. Angular super-resolution in diffusion-weighted magnetic resonance imaging using diffusion probabilistic models [Internet]. 2026 ;[citado 2026 mar. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-10032026-141324/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
