2026-04-13T01:35:22Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4464552025-11-18T23:47:12Zcom_2072_1033col_2072_452951

00925njm 22002777a 4500 dc Arbonés Sotomayor, Carlos author 2025-06-25 La generació d'imatges mèdiques sintètiques mitjançant deep learning s'ha convertit en una eina prometedora per afrontar la manca de dades, les limitacions de privacitat i el cost de les anotacions manuals. Aquest treball avalua la fidelitat i la utilitat clínica de seqüències de ressonància magnètica prostàtica sintètiques generades amb models generatius. El procés de validació inclou mètriques de qualitat generativa, comparació de característiques radiòmiques i avaluació en tasques clíniques com la segmentació prostàtica, la detecció de lesions i la classificació del càncer de pròstata clínicament significatiu (csPCa). Els resultats indiquen que les imatges sintètiques són de gran qualitat visual i estructural, amb un rendiment comparable al de les imatges reals. Tot i així, la seva contribució a la millora dels models és moderada, i es podria potenciar mitjançant una major variabilitat anatòmica. L'estudi dóna suport a l'ús de dades sintètiques com a recurs complementari en aplicacions mèdiques. The generation of synthetic medical images using deep learning has gained traction as a strategy to address data scarcity, privacy constraints, and annotation costs. In this work, we assess the fidelity and clinical utility of synthetic prostate MRI sequences produced via generative models. Our evaluation combines generative quality metrics, radiomic feature comparisons, and performance in downstream tasks including prostate segmentation, lesion detection, and clinically significant prostate cancer (csPCa) classification. Results demonstrate that synthetic images are of high visual and structural quality and perform comparably to real images in segmentation and classification tasks. However, their contribution to improving model performance is moderate, suggesting that increasing anatomical variability and diversity in generation could further enhance their utility. These findings support the use of synthetic data as a complementary resource in medical imaging pipelines. La generación de imágenes médicas sintéticas mediante deep learning se ha consolidado como una estrategia eficaz frente a la escasez de datos, las restricciones de privacidad y el elevado coste de la anotación manual. En este trabajo se evalúa la fidelidad y utilidad clínica de secuencias sintéticas de resonancia magnética de próstata generadas con modelos generativos. La validación incluye métricas de calidad generativa, análisis radiómico y experimentos en tareas clínicas como segmentación prostática, detección de lesiones y clasificación de cáncer clínicamente significativo (csPCa). Los resultados muestran que las imágenes sintéticas presentan una calidad visual y estructural elevada, y ofrecen un rendimiento comparable al de las imágenes reales en tareas clínicas. No obstante, su aportación a la mejora del rendimiento de los modelos es moderada, lo que sugiere que aumentar la variabilidad anatómica podría mejorar su impacto. Estos resultados refuerzan el valor de los datos sintéticos como recurso complementario en entornos médicos. http://hdl.handle.net/2117/446455 Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic Deep learning (Machine learning) Magnetic resonance imaging RM sintètica Càncer de pròstata Radiòmica Segmentació Classificació Augment de dades Aprenentatge profund Synthetic MRI Prostate cancer Radiomics Segmentation Classification Data augmentation Deep learning Aprenentatge profund (Aprenentatge automàtic) Imatgeria per ressonància magnètica Validation of synthetic MRI prostate sequences using deep learning