RECONSTRUCCIÓN DE TOMOGRAFÍAS COMPUTARIZADAS CON BAJA DOSIS DE
RADIACIÓN A TRAVÉS DE MODELOS GENERATIVOS ACELERADOS BASADOS EN
TÉCNICAS DE DIFUSIÓN
Actualmente, la tomografía computarizada (TC) es una de las
modalidades de elección para múltiples patologías, debido a su
excelente rendimiento diagnóstico y velocidad en la adquisición.
Sin embargo, es también la modalidad radiológica que se
considera responsable de la mayor irradiación proveniente de
estudios diagnósticos, llegando a niveles de radiación
equivalentes a un rango entre 6 meses a 5,1 años de exposición a
la radiación ambiental. Aunque existen estrategias de reducción
de dosis de radiación implementadas en la mayoría de los equipos
de última generación, no siempre se logra reducir de manera
efectiva la irradiación de los pacientes, pues implica una
disminución en la calidad de la imagen, lo que tiene
consecuencias negativas para el diagnóstico. Por otro lado, el
uso de deep-learning (DL) se ha extendido en los últimos años en
radiología. Así, existen productos comerciales que aplican DL a
la reducción de ruido de las imágenes con resultados
prometedores, pero que todavía caen en la limitación de una
disminución en el desempeño clínico ante reducciones agresivas
de radiación.
En este contexto, vemos que existe una oportunidad en el
desarrollo de una solución que, utilizando las técnicas del
estado del arte en DL generativo, permita reconstruir imágenes
obtenidas con una reducción de dosis de radiación mayor al 50%,
sin comprometer el desempeño diagnóstico. Dado los trabajos
científicos recientes sobre modelos de difusión aplicados a
reconstrucción de TCs de baja dosis, se demuestra que partimos
de conceptos tecnológicos ya formulados, lo que corresponde a un
nivel de madurez TRL 2. Por lo anterior, nuestra meta al final
del proyecto es alcanzar un nivel de madurez TRL 4. Es decir, al
menos, llegaremos a una tecnología validada en laboratorios.
