Imagen diagnóstica iInteligente: optimización, calidad y dosis

Abstract

La optimización de los parámetros de imagen diagnóstica mediante Inteligencia Artificial (IA) y Aprendizaje Automático (ML) representa un avance significativo en la reducción de dosis de radiación y la mejora de la calidad diagnóstica en tomografía computarizada (CT). Este estudio, de enfoque cualitativo, se fundamenta en un diseño retrospectivo y comparativo, evaluando la efectividad de algoritmos de Deep Learning (DL) en la reconstrucción y reducción de ruido (denoising) de imágenes adquiridas con dosis reducidas. La investigación analiza estudios realizados entre 2015 y 2025 en pacientes adultos sometidos a evaluaciones neurorradiológicas, aplicando redes neuronales profundas como CNN, RED-CNN y DNN, que permiten mantener la calidad diagnóstica incluso con solo el 25% de la dosis original. Los resultados se validan mediante métricas objetivas (PSNR, SSIM, RMSE) y la revisión de radiólogos expertos; El estudio se enmarca dentro de los principios éticos y normativos establecidos por la Comisión Internacional de Protección Radiológica (ICRP, 2007) y la Organización Mundial de la Salud (OMS, 2019), garantizando la aplicación del principio ALARA (As Low As Reasonably Achievable) y el cumplimiento de la Resolución 482 de 2018 en Colombia; La integración de IA en la optimización de parámetros de imagen permite personalizar protocolos de adquisición, reducir la exposición a radiación, estandarizar procesos y mejorar la eficiencia operativa de los servicios de diagnóstico. Palabras clave: Inteligencia Artificial, Radiología, Aprendizaje Automático, Parámetros Técnicos, Redes neuronales