Reducción de artefactos metálicos en tomografía computarizada: métodos clásicos e inteligencia artificial open source

• Autor: Monteblanco Fernandez, Nataly Lucia
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Cayetano Heredia
• Repositorio: UPCH-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upch.edu.pe:20.500.12866/17457
• Enlace del recurso: https://hdl.handle.net/20.500.12866/17457
• Nivel de acceso: acceso abierto
• Materia: Reducción de Artefactos Metálicos; Tomografía; Rayos X Competitivos; Algoritmos; Inteligencia Artificial; https://purl.org/pe-repo/ocde/ford#3.02.12

Introducción: La presencia de artefactos metálicos en tomografía computarizada afectan la calidad de la imagen diagnóstica, lo que ha impulsado el desarrollo de métodos como la reconstrucción iterativa, el uso de inteligencia artificial (IA) y la tomografía computarizada de energía dual para su reducción. Objetivo: Describir cómo los métodos clásicos e inteligencia artificial open source mejoran la calidad de imagen y la interpretabilidad diagnóstica en tomografía computarizada al reducir los artefactos metálicos producidos. Metodología: Se realizó una revisión narrativa de artículos en inglés publicados en los años 2010 al 2025. Asimismo, se consideró referencias bibliográficas de expertos en el tema, sin consideración de los años, por la importancia relevante de la información. Los documentos fueron extraídos de Pubmed y Google Scholar. Descripción de hallazgos: Se encontraron 27 artículos donde se resalta que la principal diferencia entre ambos métodos (clásicos e IA) es el grado de reducción de los artefactos, sin embargo, al usar ambas técnicas se pudo observar mayor fiabilidad en el diagnóstico por imágenes. De la misma manera, se evidenció que, en el Perú, métodos como SEMAR y MARs mejoran la tomografía computarizada hasta en un 82% y 48% en la interpretabilidad diagnóstica, respectivamente. Asimismo, a nivel global, Quad-Net supera a DuDoNet y DANNet en precisión en la reconstrucción (RMSE 0.86, PSNR 43.45 dB, SSIM 98.16%). Conclusiones: Se evidencia que los métodos clásicos son efectivos en implantes pequeños, mientras que la IA mejora la reconstrucción de imágenes con mayor precisión y menos ruido. La combinación de ambos enfoques resulta ser la estrategia más eficaz.