Investigadores de la Universidad Friedrich-Alexander de Erlangen-Núremberg han desarrollado un innovador método para la reconstrucción de imágenes de tomografía computarizada con haz cónico (CBCT) para órbitas arbitrarias. Este avance podría cambiar el juego en la imagen médica intervencionista, particularmente para sistemas robóticos de TC en C-arm.
La técnica utiliza una red neuronal de retroproyección filtrada (FBP) diferenciable y dependiente del desplazamiento, que se adapta a un tipo específico de geometría de la órbita, destacando por su capacidad para integrar operadores conocidos en modelos de aprendizaje, optimizando así los parámetros y aumentando la interpretación del modelo.
A diferencia de los métodos tradicionales, como los algoritmos de reconstrucción iterativa que son intensivos en memoria y computacionales, esta nueva metodología propone una manera más eficiente y menos compleja de abordar el problema. Los resultados experimentales revelan que la velocidad de reconstrucción supera en más del 97% a la de los algoritmos iterativos convencionales. Asimismo, mejora la calidad de la imagen manteniendo o superando las métricas convencionales de error cuadrático medio (MSE), relación señal-ruido de pico (PSNR) y el índice de similitud estructural (SSIM).
Las pruebas de validación demuestran que el método es capaz de manejar datos de diferentes trayectorias, destacando su versatilidad y robustez. De hecho, para trayectorias sinusoidales, muestra una reducción del 38,6% en MSE, un incremento del 7,7% en PSNR y una mejora del 5% en SSIM.
El algoritmo no solo es aplicable a órbitas circulares, sino también a configuraciones complejas como el “círculo más arco” y trayectorias sinusoidales, abriendo nuevas posibilidades para la reconstrucción analítica de órbitas discontinuas. En el cálculo analítico de pesos de redundancia, algunos artefactos de la reconstrucción, como desenfoques leves y discontinuidades, podrían presentarse debido a restricciones inherentes. Sin embargo, los investigadores han minimizado estos efectos gracias a la capacidad de aprendizaje autónomo del modelo.
La innovación de este enfoque reside en su habilidad para adaptarse automáticamente a la geometría orbital, optimizando el proceso de reconstrucción para una amplia gama de escaneos geométricos y trayectorias complejas.
En conclusión, el nuevo método representa un hito significativo en la imagen médica, permitiendo reconstrucciones más rápidas y precisas, y sienta las bases para futuros desarrollos en la tecnología de imágenes de tomografía con un enfoque en órbitas personalizadas. A medida que el método evoluciona, nuevas investigaciones se centrarán en disminuir todavía más los parámetros de la red neuronal y en desarrollar algoritmos de reconstrucción rápida para múltiples órbitas.