Reconstrucción inteligente en TC: eficiencia de CNN-MAR, AICE DLR y truefidelity en la eliminación de artefactos

Abstract

Esta investigación analiza la utilidad de las redes neuronales convolucionales (CNN) en la detección y corrección de artefactos en imágenes de tomografía computarizada (TC), evaluando su impacto en la calidad diagnóstica. Se realizó una revisión de la literatura científica publicada entre 2014 y 2024 en bases de datos como PubMed, Scopus e IEEE Xplore, priorizando estudios con evidencia empírica sobre algoritmos de Deep Learning aplicados a TC. Se exploraron tanto los tipos más frecuentes de artefactos como las estrategias de mitigación tradicionales y modernas. Los hallazgos se centraron en el desempeño comparativo de los algoritmos CNN-MAR, AiCE DLR (Canon) y TrueFidelity (GE), analizados según reducción de ruido, preservación anatómica y detectabilidad de bajo contraste. CNN-MAR logró disminuir artefactos metálicos en más de un 40 %, mientras que AiCE y TrueFidelity mantuvieron o mejoraron la resolución en estudios de baja dosis, contribuyendo a una mayor seguridad para el paciente. Los resultados evidencian el potencial de las CNN en la optimización de imágenes en TC, no obstante, su implementación clínica enfrenta desafíos técnicos, regulatorios y formativoc que deben abordarse.