Nuevo método de IA mejora imágenes de TC al reducir artefactos metálicos

Estos artefactos pueden ocultar la anatomía y comprometer las decisiones clínicas.

Muchos métodos de corrección se basan en la interpolación de proyecciones o en el aprendizaje supervisado, y pueden introducir artefactos secundarios o requerir datos de entrenamiento emparejados, que rara vez están disponibles en la práctica. Para ayudar a abordar este desafío, los investigadores han desarrollado un enfoque no supervisado, regularizado por difusión, para la reducción de artefactos metálicos.

Investigadores de la Facultad de Ciencias y Tecnología de la Información de la Universidad ShanghaiTech (Shanghái, China) presentaron un método publicado en Quantitative Biology. El equipo desarrolló INR-DR, un marco no supervisado que combina restricciones basadas en la física de la TC con información previa de modelos de difusión para reducir de forma robusta los artefactos metálicos sin necesidad de datos de entrenamiento emparejados. El enfoque está diseñado para generalizarse a diferentes formas de objetos metálicos, regiones anatómicas y protocolos de exploración. Su objetivo es mejorar la fiabilidad en situaciones en las que las técnicas existentes suelen fallar.

INR-DR evita el rellenado directo de los datos de proyección corruptos dentro de las trayectorias metálicas. En su lugar, representa la imagen de TC como una función continua de coordenadas e impone coherencia con las mediciones fiables mediante un modelo directo diferenciable. Un modelo de difusión incondicional preentrenado actúa como prior de regularización, guiando la representación implícita hacia una anatomía realista mediante la eliminación de ruido de un solo paso en lugar de actuar como generador. La codificación hash multirresolución preserva los detalles estructurales finos, equilibrando la fidelidad global basada en la física con la plausibilidad anatómica local.

Los experimentos con datos simulados y clínicos de TC dental muestran una supresión eficaz de los artefactos en forma de bandas, al tiempo que se mantiene la integridad tisular en implantes metálicos grandes, medianos y pequeños. El marco superó tanto a los métodos tradicionales como a las líneas de base de aprendizaje profundo supervisado. Los estudios de ablación confirmaron las contribuciones complementarias de la imposición de la consistencia de los datos y del prior de difusión. Estos hallazgos respaldan una vía no supervisada para la reducción de artefactos metálicos sin ejemplos emparejados.

Los autores señalan que este mismo diseño ofrece una estrategia general para problemas inversos mal planteados, como la TC de vistas escasas y de baja dosis. La adopción clínica requerirá una optimización más rápida por caso y una validación multicéntrica adicional. Diseñado para generalizarse entre metales y protocolos, el enfoque aspira a ofrecer una reducción robusta de artefactos sin datos de entrenamiento emparejados.

Enlaces relacionados
ShanghaiTech University