En el ámbito de la imagen médica, la reconstrucción en 3D es una herramienta fundamental tanto para diagnósticos clínicos como para investigaciones científicas. En la actualidad, los modelos de difusión (DMs, por sus siglas en inglés) se han convertido en una herramienta efectiva para la reconstrucción de imágenes médicas gracias a su capacidad para aprender datos previos ricos y de alta calidad. Sin embargo, aprender la distribución de datos en 3D con DMs en imagen médica es un desafío, no solo debido a las dificultades en la recolección de datos, sino también por la carga computacional significativa durante el entrenamiento del modelo.
Una opción común es entrenar los DMs en datos previos en 2D y reconstruir cortes 2D apilados para abordar problemas inversos en imágenes médicas en 3D. Sin embargo, la aleatoriedad intrínseca del muestreo de difusión causa discontinuidades severas entre los cortes de los volúmenes 3D reconstruidos. Los métodos existentes a menudo imponen regularizaciones de continuidad a lo largo del eje z, lo que introduce hiperparámetros sensibles y puede conducir a resultados excesivamente suavizados.
En este trabajo, se revisa el origen de la aleatoriedad en el muestreo de difusión e introduce la Estocasticidad Consistente Entre Cortes (ISCS, por sus siglas en inglés), una estrategia simple pero efectiva que fomenta la consistencia entre cortes durante el muestreo de difusión. La idea clave es controlar la consistencia de los componentes de ruido estocástico durante el muestreo de difusión, alineando así sus trayectorias de muestreo sin agregar términos de pérdida nuevos o pasos de optimización adicionales.
Es importante destacar que el ISCS propuesto es fácil de implementar y se puede incorporar en cualquier canal de reconstrucción 3D basado en difusión entrenado en 2D sin costo computacional adicional. Experimentos en varios problemas de imagen médica muestran que este método puede mejorar eficazmente el rendimiento de problemas de imágenes médicas en 3D basados en modelos de difusión en 2D.
Nuestros hallazgos sugieren que controlar la estocasticidad entre cortes es un enfoque fundamentado y prácticamente atractivo para lograr imágenes médicas en 3D de alta fidelidad con modelos de difusión en 2D. Para empresas que buscan implementar soluciones tecnológicas innovadoras, como aplicaciones a medida o servicios cloud, es importante considerar enfoques como el presentado en este estudio para mejorar la calidad de sus resultados en el ámbito de la imagen médica.
Si deseas más información sobre cómo Q2BSTUDIO puede ayudarte con el desarrollo de aplicaciones a medida o servicios cloud, no dudes en visitar nuestra página web: Desarrollo de aplicaciones a medida.
