Redes neuronales convolucionales en la mejora de la calidad de imagen en tomografía computarizada: modelos U-Net y GAN aplicados a la reconstrucción y reducción de artefactos

Abstract

La presente investigación analiza el uso de redes neuronales convolucionales (CNN), en particular los modelos U-Net y GAN, en la reducción de artefactos y mejora de la calidad de imagen en tomografía computarizada (TC). Este surge ante la limitación diagnóstica provocada por artefactos generados por objetos metálicos, movimientos del paciente y deficiencias en los algoritmos de reconstrucción. Se adopta un enfoque cualitativo basado en una revisión narrativa de literatura científica publicada entre 2014 y 2025, seleccionada en bases de datos reconocidas y analizada mediante tablas comparativas. Los resultados evidencian que las CNN superan los métodos tradicionales al mejorar la fidelidad anatómica y reducir el ruido. Los modelos U-Net destacan por conservar detalles estructurales, mientras que las GAN generan reconstrucciones más realistas al aplicar estrategias de atención guiada. Sin embargo, persisten limitaciones como la falta de estandarización, el acceso restringido a bases de datos clínicas y la necesidad de validación multicéntrica. En conclusión, las CNN constituyen una herramienta prometedora para optimizar la calidad diagnóstica y la seguridad del paciente en TC, siempre que su implementación respete criterios éticos y técnicos.