January 11, 2021

Presenta: Carlos Milovic. Research Fellow, Department of Medical Physics and Biomedical Engineering, University College London, UK. Resumen: Deep Learning se ha popularizado en los últimos años como una técnica muy efectiva para resolver problemas inversos en imágenes. En imágenes médicas estas presentan varias limitaciones, incluyendo la dificultad para generalizar a distintos parámetros de adquisición o equipos, y la limitada disponibilidad de datos de entrenamiento. Como alternativa se ha propuesto incorporar los modelos físicos en la reconstrucción, y utilizar redes variacionales para regularizar los problemas. Como tales, las redes aprenden el problema de reducción de ruido o artefactos. Total Deep Variation es una nueva red propuesta por investigadores de la Technical University of Graz. Esta red ha mostrado muy prometedores resultados, con una baja cantidad de parámetros a entrenar. En esta presentación mostraremos su aplicación para la estimación de mapas de susceptibilidad magnética, utilizando una red pre-entrenada para reducción de ruido, gracias a un algoritmo basado en el método de Alternancia de Direcciones de Multiplicadores, ADMM. Los resultados preliminares muestran interesantes mejoras con respecto al estado del arte, aunque queda mucho trabajo por hacer en términos de optimización computacional.