Reconstrucción de imagen de tomografía computarizada con algoritmos de inteligencia artificial

Reconstrucción de imagen de tomografía computarizada con algoritmos de inteligencia artificial

Introducción

Para los pacientes con lesiones de rodilla, la tomografía computarizada se utiliza como alternativa a los métodos invasivos. Los beneficios de la tomografía computarizada son variados, incluyendo la reducción del tiempo de examen, la extensión del área de exploración y la alta calidad de imagen con datos precisos para valorar diferentes tipos de lesiones de rodilla. Estudios han demostrado que los métodos de reconstrucción de imágenes pueden disminuir el riesgo de radiación de las TC.  A lo que se suma el uso de tecnologías como la Inteligencia Artificial y el Aprendizaje Profundo en el campo de la medicina.

Por lo tanto, los autores de esta investigación estudian los efectos de las imágenes generadas por varios métodos utilizando distintas dosis en la tomografía. Además, comparan la calidad de dichas imágenes después del procesamiento con un par de algoritmos. Eso se realiza para monitorear la recuperación de los pacientes que presentan lesiones del ligamento cruzado anterior de la articulación de la rodilla.

Métodos

En estudio consideró a 90 pacientes con lesiones motoras de ligamento cruzado, todos se les aplicó un estudio de tomografía computarizada. Se usaron dos tipos de algoritmos: el iDose4 y el algoritmo de reconstrucción de retroproyección filtrada. Se hizo una recopilación de la información general de los pacientes, incluido el sexo, edad, índice de masa corporal y la ubicación de la enfermedad. Dos radiólogos con más de tres años de experiencia en imágenes clínicas evaluaron y calcularon algunos parámetros relevantes en las imágenes en función de su experiencia.

Los pacientes se dividieron en grupos:

  • Grupo A: 30 pacientes tratados con el algoritmo de reconstrucción por retroproyección filtrada y 120 kV para la tomografía.
  • Grupo B: 30 pacientes tratados con el algoritmo de reconstrucción iDose4 y 120kV para la tomografía.
  • Grupo C: 30 pacientes tratados con el algoritmo de reconstrucción iDose4 y 100 kV para la tomografía.

Resultados

Se encontró que las imágenes del grupo A, que utilizaron el algoritmo de reconstrucción de retroproyección filtrada, presentaron ruido. Esto dificultó su identificación e hizo que los límites de las estructuras no fueran claros. Por otro lado, con el algoritmo iDose4, utilizados en los grupos B y C se mejoró el nivel de ruido. Por ende, se obtuvo una mejor resolución de imagen, como se puede observar en la Figura 1.

Figura 1.

Imagen de tomografía de un paciente. (a) Imagen original. (b) Imagen procesada por el algoritmo de retroproyección filtrada, grupo A. (c) Imagen de paciente del grupo B. (d) Imagen de paciente del grupo C.

Recuperado de Computed Tomography Imaging under Artificial Intelligence Reconstruction Algorithm Used in Recovery of Sports Injury of the Knee Anterior Cruciate Ligament (p.6) [Imagen], por Zhang et al., (2022b), Contrast Media & Molecular Imaging, 2022, 1-9.

Conclusión y discusión

El método de procesamiento que mejor se incorporó a la tomografía de la rodilla fue el iDose4, pues redujo la dosis de radiación hasta un 24% de lo que normalmente usaría.En este estudio se puede apreciar la importancia del uso y análisis de diversos tipos de algoritmos especializados en reconstrucción. Algoritmos, incorporados en los últimos años gracias al desarrollo y avances en la inteligencia artificial para estudiar su funcionamiento en el procesamiento de imágenes. Con ello se previene principalmente la exposición innecesaria a pacientes ante radiación. Asimismo, se obtienen imágenes con buena definición que asisten a los especialistas en la toma de decisiones y monitorización de lesiones en el cuerpo.

Traducido y adaptado de: Zhang, H., Zheng, H., Deng, R., Luo, K. & Duan, S. (2022b). Computed Tomography Imaging under Artificial Intelligence Reconstruction Algorithm Used in Recovery of Sports Injury of the Knee Anterior Cruciate Ligament. Contrast Media & Molecular Imaging, 2022, 1-9. https://doi.org/10.1155/2022/1199841