Abstract:
DOCUMENT IN THE PROCESS OF INTELLECTUAL PROPERTY. This study develops a generative model based on Generative Adversarial Networks (GANs) to generate intermediate slices in three-dimensional Magnetic Resonance Imaging (3D MRI), hypothesizing that GANs surpass traditional interpolation limitations by preserving anatomical structures. The Pix2Pix architecture was implemented, trained on a dataset of 93 subjects (38 healthy, 55 Parkinson’s patients), preprocessed through bias field correction and intensity normalization. Slices were segmented into odd and even pairs, combining a U-Net generator with residual blocks and a convolutional discriminator. The final model (V5) achieved a Structural Similarity Index (SSIM) of 0.8469 and a Peak Signal-to-Noise Ratio (PSNR) of 30.05 dB, demonstrating qualitative superiority over conventional methods. The algorithm was integrated into a web application with user/administrator roles for uploading, processing, and visualizing images. It is concluded that GANs enhance spatial continuity in 3D MRI by generating coherent intermediate slices, reducing artifacts, and preserving critical anatomical details. Clinical validation and dataset expansion with diverse demographic and pathological cases are recommended to ensure robustness in real-world medical applications.
Keywords: generative adversarial networks, three-dimensional interpolation, medical imaging, synthetic image generation.
Description:
DOCUMENTO EN PROCESO DE PROPIEDAD INTELECTUAL. Este proyecto desarrolla un modelo generativo basado en redes adversarias generativas (GAN) para generar cortes intermedios en imágenes tridimensionales de resonancia magnética (IRM 3D), bajo la hipótesis de que estas superan las limitaciones de interpolación tradicional al preservar estructuras anatómicas. Se empleó la arquitectura Pix2Pix para el modelo, este mismo fue entrenado con un dataset de 93 sujetos (38 sanos y 55 con Parkinson), preprocesado mediante la corrección de campo de sesgo y normalización de intensidad. Los cortes se segmentaron en pares e impares, combinando un generador U-Net con bloques residuales y un discriminador convolucional. La versión final (V5) alcanzó un índice de similitud estructural (SSIM) de 0.8469 y Relación señal-ruido de pico (PSNR) de 30.05 dB, demostrando superioridad cualitativa frente a métodos tradicionales. El algoritmo se integró en una aplicación web con roles de usuario/administrador para cargar, procesar y visualizar imágenes. Se concluye que las GAN mejoran la continuidad espacial en IRM 3D al generar cortes intermedios coherentes, reduciendo artefactos y preservando detalles críticos. Se recomienda validación clínica y ampliar el dataset con imágenes diversas, asegurando robustez en aplicaciones médicas reales.