Aplicación de la reconstrucción de aprendizaje profundo en la exploración torácica de la enfermedad pulmonar...

Área de la Ciencia:

• Radiología
• Imágenes médicas
• Pulmonología

Sus antecedentes:

• El diagnóstico de la enfermedad pulmonar intersticial (ILD) se basa en la TC de alta resolución (HRCT), que implica una exposición significativa a la radiación.
• El posicionamiento propenso durante HRCT es crucial para la detección temprana de ILD, pero exacerba las preocupaciones de radiación.

Objetivo del estudio:

• Evaluar la reconstrucción de aprendizaje profundo (DLR) para reducir la dosis de radiación en tomografías computarizadas propensas a la ILD temprana.
• Para comparar la calidad de imagen de DLR con la Reconstrucción Iterativa Híbrida (HIR) en este grupo de pacientes.

Principales métodos:

• 21 pacientes en etapa temprana de ILD se sometieron tanto a HRCT (HIR) como a CT de baja dosis (LDCT) con DLR (ajustes leves, estándar y fuertes).
• Se analizaron la calidad de la imagen, el ruido, los artefactos y la visualización de las características de ILD.
• Se calculó la dosis efectiva de radiación para las exploraciones LDCT.

Principales resultados:

• La LDCT con DLR logró una reducción del 63,7% en la dosis efectiva de radiación en comparación con la HRCT.
• La calidad de imagen global con LDCT DLR fue comparable a HRCT HIR.
• Si bien la visualización de la bronquiectasia fue más débil con LDCT DLR (hueso, fuerte), otras características como GGO y reticulación fueron comparables.

Conclusiones:

• LDCT con DLR ofrece una calidad de imagen comparable a HRCT HIR para pacientes con ILD precoz en exploraciones propensas, con una reducción sustancial de la dosis.
• DLR es un algoritmo prometedor para mantener la calidad de la imagen en la TC propensa a dosis bajas, apoyando el diagnóstico y el monitoreo de ILD.