DoseSave
DoseSave · Temas · ¿Cómo funciona la reconstrucción en TC? FBP, iterativa y aprendizaje profundo — animado
Reconstrucción · Animación

¿Cómo funciona la reconstrucción en TC? FBP, iterativa y aprendizaje profundo — animado

Un equipo de TC no produce un corte directamente; mide «sombras» (proyecciones) desde cientos de ángulos y calcula la imagen a partir de ellas. Seguimos paso a paso las tres generaciones de ese cálculo, con animaciones: retroproyección, retroproyección filtrada y reconstrucción iterativa/aprendizaje profundo.

Nivel intermedio· ~14 min de lectura· Con fuentes

Un equipo de TC no «toma» un corte directamente. Lo único que hace es medir cuánto se atenúan los rayos que atraviesan al paciente desde cientos de ángulos. La imagen se calcula hacia atrás a partir de esas mediciones — y eso es la reconstrucción. Aquí seguimos, paso a paso, cómo funciona ese cálculo y sus tres generaciones.

Proyección y sinograma

Una medición desde un solo ángulo es una proyección: un perfil que da la atenuación total de los rayos en esa dirección — una especie de sombra.1 A medida que el tubo y el detector giran, se recoge una proyección desde cada ángulo; en conjunto forman los datos brutos llamados sinograma.

una proyección por ángulosinograma (proyecciones según el ángulo)Medición → sinograma
El perfil en cada ángulo (una proyección) se escribe como una fila del sinograma. Un solo punto traza allí una curva sinusoidal — de ahí el nombre.

Retroproyección: ¿por qué borrosa?

La idea más intuitiva es la retroproyección: cada proyección se «esparce» de vuelta por el plano de imagen a lo largo de la dirección en que se midió. Pero cuando estos esparcidos, sumados a lo largo de 360°, se superponen, no se obtiene un punto nítido sino un desenfoque 1/r — por eso la retroproyección simple emborrona la imagen de forma inevitable.1

Los esparcidos se superponenresultado: mancha borrosa (1/r)punto realretroproyección →+ un ángulo
Cada esparcido se acumula en el centro; los esparcidos superpuestos convierten un punto nítido en una mancha con perfil 1/r. Por eso la retroproyección simple por sí sola no basta.

Retroproyección filtrada (FBP)

La solución es ingeniosa: pasar cada proyección por un filtro (convolución) antes de retroproyectarla. El filtro añade lóbulos laterales negativos al perfil que cancelan exactamente el desenfoque 1/r, dejando una imagen nítida.1 Este fue el método estándar durante décadas. La elección del filtro es un compromiso fundamental: un filtro más agudo aumenta la resolución espacial, pero también aumenta el ruido.1

perfil medidofiltro ⊗perfil filtrado (lóbulos laterales negativos)sin filtrar → borrosofiltrado → nítidoFBP: primero filtrar, luego retroproyectar
El filtro añade lóbulos laterales negativos; al retroproyectarse, cancelan el desenfoque vecino y queda una imagen nítida. La elección del filtro fija el equilibrio nitidez–ruido.

Reconstrucción iterativa (IR)

La reconstrucción iterativa resuelve el problema en un bucle. El punto de partida puede ser una estimación (una imagen constante o una imagen de FBP). Después: a partir de la estimación de imagen actual se generan proyecciones directas que se comparan con las proyecciones medidas; la diferencia es la matriz de error. El algoritmo actualiza la imagen para reducir ese error, y el bucle se repite.1 Es muy exigente en cómputo; todos los grandes fabricantes la han implementado, y su principal ventaja es el potencial de reducción de dosis.1

① Estimación(imagen inicial)② Proyeccióndirecta③ Comparar conlo medido → error④ Actualizarla imagenal reducirse el error:matriz de error → se reduceBucle: estimar → proyectar directo → comparar → actualizar
En cada pasada la estimación se proyecta hacia delante, se compara con los datos medidos y se actualiza la imagen para reducir la diferencia. Tras unas pasadas, el ruido puede ser menor y la dosis más baja.

Reconstrucción por aprendizaje profundo (DLR)

La generación más nueva son las redes de aprendizaje profundo, que buscan suprimir el ruido preservando la textura del tejido mediante patrones aprendidos de imágenes de referencia de alta calidad. Los estudios muestran que la DLR puede mejorar la detección de lesiones y la detectabilidad de bajo contraste incluso a dosis baja.23 El rendimiento depende de los datos de entrenamiento, la arquitectura y la tarea clínica, por lo que la validación local es imprescindible.

baja dosis · con ruidored neuronalruido reducidoDLR: reducción de ruido aprendida
La red limpia la entrada de baja dosis con ruido usando patrones aprendidos. Su efecto depende del protocolo y la tarea; en uso clínico debe validarse con control de calidad local.
Artículos relacionados
Para una tabla de las ventajas y los riesgos de cada método: FBP, reconstrucción iterativa y por aprendizaje profundo. Para las métricas de dosis en TC: CTDIvol, DLP y SSDE. Para el efecto de los parámetros: Parámetros de la TC.

Referencias

  1. Bushberg JT, Seibert JA, Leidholdt EM, Boone JM. The Essential Physics of Medical Imaging, 3rd ed. Lippincott Williams & Wilkins, 2011. Bölüm 10 (Computed Tomography) — projeksiyon (s.351), basit ve filtreli geri projeksiyon, 1/r bulanıklığı ve rekonstrüksiyon filtresi (s.353), iteratif rekonstrüksiyon (s.357). Atıflardaki sayfa numaraları bu baskıya aittir.
  2. Brady SL, et al. Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction. RadioGraphics, 2021. pubs.rsna.org
  3. Düşük kontrast ayırt edilebilirliği ve doz azaltımında derin öğrenme rekonstrüksiyonu — fantom çalışması. PMC8980706
Nota: Este contenido es educativo; para decisiones clínicas o el cumplimiento normativo, consulte a un físico médico cualificado y la normativa vigente.

← Todos los artículos