Implementación de redes neuronales para detectar y corregir artefactos en imágenes de tomografía computarizada: retos y oportunidades

Abstract

Los artefactos y artificios son elementos claves que pueden afectar negativamente la calidad de las imágenes de tomografía computarizada (TC), estos incluyen todo tipo de degradación la cual puede ser causada por diversos factores como movimientos del paciente, materiales metálicos, borrosidad, imágenes fantasmas, deformación de las estructuras internas y distorsión de la imagen, generando diagnósticos erróneos. Por lo que, la reducción o eliminación de artefactos es una tarea compleja. En este contexto, el estudio de redes neuronales, las cuales están inspiradas en el funcionamiento de una red neuronal humana, se han convertido en una herramienta de gran utilidad en la detección significativa de artefactos en imágenes de tomografía computarizada (TC), presentando una solución innovadora de gran impacto, estas tienen la capacidad de aprender y organizar patrones complejos en las imágenes además de distinguir entre artefactos y estructuras anatómicas reales, lo que podría mejorar significativamente la calidad de las imágenes y, por ende, la precisión diagnóstica. La revisión literaria demuestra que la aplicación de redes neuronales en TC puede reducir de forma significativa la presencia de artefactos, mejorar la precisión diagnóstica y optimizar los flujos de trabajo en radiología. Así mismo, han demostrado ser de gran utilidad para la detección temprana de enfermedades y la clasificación automática de hallazgos. No obstante, persisten retos importantes, como la necesidad de bases de datos extensas y representativas, la interpretabilidad de los modelos y la integración segura en el entorno hospitalario, lo que permitirá aprovechar al máximo las oportunidades que ofrecen las redes neuronales en TC.