Estudo comparativo de métodos de reconstrução de imagens de ressonância magnética subamostradas por Compressive Sensing e por modelos generativos

Abstract

O exame de Ressonância Magnética (RM) é uma ferramenta indispensável para o di agnóstico médico, porém seu longo tempo de aquisição gera desconforto ao paciente e suscetibilidade a artefatos de movimento. Para mitigar esse problema, a subamostra gem do espaço-k é utilizada para acelerar a aquisição, exigindo técnicas avançadas de reconstrução para recuperar a imagem sem perda de qualidade diagnóstica. Este trabalho apresenta um estudo comparativo entre o método clássico de Sensoriamento Comprimido (CS) e duas abordagens de Inteligência Artificial baseadas em Aprendizado Profundo: a rede convolucional supervisionada U-Net e a Rede Adversária Generativa Condicional (cGAN). Utilizando o dataset público BIRN com 158 volumes cerebrais, foram simulados quatro cenários de aceleração (retenção de 75%, 50%, 25% e 10% dos dados). A avaliação baseou-se nas métricas quantitativas PSNR, SNR e SSIM, além de análise qualitativa vi sual. Os resultados demonstraram a superioridade das abordagens de IA sobre o método clássico, especialmente em regimes de alta aceleração. A arquitetura U-Net apresentou a maior fidelidade radiométrica (maior PSNR), sendo ideal para análises quantitativas, embora tenda a suavizar texturas. A cGAN demonstrou melhor qualidade perceptual e recuperação de bordas, superando a U-Net em nitidez visual, mas apresentou riscos de alucinação estrutural no cenário extremo de 10% de dados. Conclui-se que a escolha da arquitetura depende da aplicação clínica, havendo um compromisso claro entre fidelidade numérica e qualidade perceptual. Os resultados demonstraram que a U-Net superou a cGAN em consistência, atingindo um índice SSIM de ∼0.90 com apenas 25% dos dados brutos, estabelecendo este patamar como o ponto de equilíbrio do sistema. Observou-se também que, para taxas de amostragem superiores a 50%, os métodos generativos (cGAN) apresentaram saturação e introdução de artefatos, resultando em desempenho inferior ao método de Compressive Sensing em cenários de alta fidelidade.