Combinación convexa de expertos por parches para la superresolución 3D de imágenes de resonancia magnética bajo anisotropía clínica (PaCS-SR)

Resumen

En el entorno clínico, la adquisición anisotrópica de volúmenes de resonancia magnética dificulta su uso en modelos de inteligencia artificial (IA). Las interpolaciones no crean detalle y los enfoques con IA pueden alucinar anatomía. Este trabajo evalúa PaCS-SR, un modelo lineal y convexo por parches que fusiona predicciones de algoritmos de interpolación y modelos de IA. Empleando el conjunto BraTS-GLI-2024 (1 mm isotrópico) se simularon volúmenes de baja resolución con un espaciado de corte de 3, 5 y 7 mm. Se usaron como expertos BSPLINE, interpolador, y los modelos de IA ECLARE y SMORE, generando predicciones por nivel y secuencia (T1C, T2W, T2F) para reconstruir el volumen original. PaCS-SR divide las predicciones en parches tridimensionales y optimiza, para cada uno, una combinación convexa de expertos, minimizando errores de intensidad y gradiente, resuelta mediante SLSQP bajo restricción de símplex. Tras el ajuste, se aplica suavizado laplaciano y se integran los solapes con ventana de Hann. PaCS-SR alcanzó las mayores mejoras globales: +3,76 dB en PSNR y +0,163 en SSIM frente a BSPLINE. Por secuencia, destacó T2W con +3,73 dB (PSNR) y T1C con +0,080 (SSIM). Por anisotropía, las ganancias fueron de +3,36 dB (3 mm) y +0,117 (7 mm). Los resultados fueron consistentes en todas las secuencias y espaciados. La combinación convexa por parches mejora PSNR y SSIM frente a interpolación clásica y se mantiene estable, de forma consistente y reproducible, entre secuencias y espesores. PaCS-SR preserva contornos mediante pérdida de gradiente, y es aplicable a escenarios clínicos con anisotropía pronunciada.