MLP-SRGAN: Redes GAN para una Super Resolución

Un equipo de investigación ha presentado MLP-SRGAN, una nueva arquitectura de Red Generativa Antagónica (GAN) que mejora la resolución de imágenes médicas, específicamente de resonancia magnética (MRI). A diferencia de otros métodos, MLP-SRGAN se centra en la superresolución en una sola dimensión (slice direction), utilizando MLP-Mixers junto con capas convolucionales.

Esta técnica ha sido entrenada y validada con imágenes de alta resolución (HR) FLAIR MRI del conjunto de datos MSSEG2, mostrando resultados prometedores en la nitidez y el detalle anatómico.

Aplicación y Resultados en Imágenes Clínicas

Para evaluar su eficacia en datos clínicos reales, MLP-SRGAN se aplicó a tres conjuntos de datos multicéntricos de imágenes FLAIR con baja resolución espacial. Las métricas tradicionales como PSNR y SSIM se utilizaron para comparar el rendimiento con otras redes de superresolución de última generación. Además, se propusieron nuevas métricas estructurales sin referencia para cuantificar la nitidez, el ruido y la borrosidad en ausencia de imágenes de referencia de alta resolución.

El Potencial de MLP-SRGAN en el Diagnóstico Médico

Los resultados indican que MLP-SRGAN produce imágenes más nítidas, con menos borrosidad y mayor preservación de la textura y los detalles anatómicos finos. Además, presenta ventajas significativas en términos de eficiencia, con menos parámetros, un tiempo de entrenamiento y evaluación más rápido, y un tamaño de modelo más pequeño en comparación con los métodos existentes. Esto abre la puerta a un diagnóstico más preciso y temprano de enfermedades neurológicas como la esclerosis múltiple, donde la calidad de las imágenes de resonancia magnética es crucial.

El código, los modelos y las métricas de calidad de imagen sin referencia estarán disponibles en el repositorio GitHub del proyecto.