Superresolución y alineamiento de imágenes de eje corto del corazón obtenidas por resonancia magnética cardiovascular

Abstract

En este trabajo se propone un enfoque para mejorar la calidad de imágenes de resonancia magnética cardiovascular (CMR) de eje corto mediante dos soluciones principales. Primero, se desarrollan y comparan métodos de alineación basados en procesamiento de imágenes, con el objetivo de corregir la desalineación entre cortes transversales. Segundo, se implementa un modelo de superresolución basado en aprendizaje profundo, específicamente una red neuronal convolucional inspirada en U-Net, para generar cortes intermedios y aumentar la resolución volumétrica de las imágenes. La metodología fue evaluada utilizando el M&M dataset y un conjunto de datos adicional, obteniendo resultados que demuestran mejoras en la coherencia anatómica y la calidad visual de los volúmenes reconstruidos. Estas soluciones facilitan el análisis clínico y automatizado de estudios CMR, reduciendo la necesidad de correcciones manuales y mejorando la fidelidad estructural de las imágenes.

This work proposes an approach to enhance the quality of short-axis cardiac magnetic resonance (CMR) images through two main solutions. First, several alignment methods based on image processing techniques are developed and compared to correct misalignment between transverse slices. Second, a deep learning-based super-resolution model, specifically a convolutional neural network inspired by U-Net, is implemented to generate intermediate slices and increase volumetric resolution. The methodology was evaluated using the M&M dataset and an additional dataset, showing improvements in anatomical coherence and visual quality of the reconstructed volumes. These solutions facilitate both clinical and automated CMR analysis by reducing the need for manual corrections and improving structural fidelity.