SÍNTESIS DE RECONSTRUCCIONES PET DE LARGA DURACIÓN A PARTIR DE ADQUISICIONES RÁPIDAS MEDIANTE REDES CONVOLUCIONALES

Abstract

La Tomografía por Emisión de Positrones (Positron Emitting Tomography, PET) constituye una herramienta esencial en el entorno clínico, y es ampliamente utilizada por su importancia tanto en estudios funcionales, como en el diagnóstico y seguimiento de diversas patologías. No obstante, esta modalidad presenta ciertas limitaciones significativas, entre las que destaca una resolución espacial considerablemente inferior a otras técnicas de imagen médica, prolongados tiempos de reconstrucción, y la exposición del paciente a dosis de radiación ionizante. Es por ello esencial aprovechar el creciente auge que las herramientas de Inteligencia Artificial (IA) proveen actualmente, para abordar estos desafíos. Ante este contexto, el presente trabajo explora el potencial de dichas herramientas basadas en IA, y más concretamente, los algoritmos de aprendizaje profundo (Deep Learning, DL) como estrategia para mejorar la calidad de imagen, y optimizar el proceso de una reconstrucción pre- cisa, en tiempos tolerables y eficientes. El objetivo principal consiste en desarrollar y evaluar un modelo de red neuronal convolucional (Convolutional Neural Network, CNN) capaz de generar imágenes PET de alta calidad a partir de reconstrucciones obtenidas tiempos significativamente menores con respecto al estándar clínico actual. Para ello, se diseña, implementa y evalúa una arquitectura CNN orientada a la mejora de imáge- nes PET rápidas mediante técnicas de denoising y ultrarresolución. El enfoque propuesto busca, no solo igualar a la calidad visual de las reconstrucciones convencionales (habitualmente ob- tenidas en 60 minutos), sino también reducir de manera sustancial el tiempo de adquisición y reconstrucción. Esto podría permitir la administración de dosis más bajas de radiotrazador, la optimización del uso del escáner en el flujo clínico, y una mayor comodidad para el paciente. El modelo desarrollado ha demostrado ser eficaz en la recuperación de calidad visual e inter- pretabilidad de los estudios, acercándose al estándar clínico de referencia. Asimismo, recupera eficazmente la estructura anatómica (SSIM > 0.98), reduce el ruido en las imágenes (PSNR: 40-50 dB), y mantiene un error píxel a píxel tolerable (MAE: 2.5-3.3 Bq). Estos resultados sub- rayan el papel creciente de la IA en la optimización de imágenes médicas, y aportan nuevas perspectivas al nuevo área de conocimiento centrada en técnicas de DL en Medicina Nuclear.