Reducción de artefactos metálicos en tomografía computarizada: métodos clásicos e inteligencia artificial open source

Abstract

Introducción: La presencia de artefactos metálicos en tomografía computarizada afectan la calidad de la imagen diagnóstica, lo que ha impulsado el desarrollo de métodos como la reconstrucción iterativa, el uso de inteligencia artificial (IA) y la tomografía computarizada de energía dual para su reducción. Objetivo: Describir cómo los métodos clásicos e inteligencia artificial open source mejoran la calidad de imagen y la interpretabilidad diagnóstica en tomografía computarizada al reducir los artefactos metálicos producidos. Metodología: Se realizó una revisión narrativa de artículos en inglés publicados en los años 2010 al 2025. Asimismo, se consideró referencias bibliográficas de expertos en el tema, sin consideración de los años, por la importancia relevante de la información. Los documentos fueron extraídos de Pubmed y Google Scholar. Descripción de hallazgos: Se encontraron 27 artículos donde se resalta que la principal diferencia entre ambos métodos (clásicos e IA) es el grado de reducción de los artefactos, sin embargo, al usar ambas técnicas se pudo observar mayor fiabilidad en el diagnóstico por imágenes. De la misma manera, se evidenció que, en el Perú, métodos como SEMAR y MARs mejoran la tomografía computarizada hasta en un 82% y 48% en la interpretabilidad diagnóstica, respectivamente. Asimismo, a nivel global, Quad-Net supera a DuDoNet y DANNet en precisión en la reconstrucción (RMSE 0.86, PSNR 43.45 dB, SSIM 98.16%). Conclusiones: Se evidencia que los métodos clásicos son efectivos en implantes pequeños, mientras que la IA mejora la reconstrucción de imágenes con mayor precisión y menos ruido. La combinación de ambos enfoques resulta ser la estrategia más eficaz.

Introduction: The presence of metallic artifacts in computed tomography affects diagnostic image quality, driving the development of methods such as iterative reconstruction, artificial intelligence (AI), and dual-energy computed tomography for their reduction. Objective: To describe how classical methods and open-source artificial intelligence improve image quality and diagnostic interpretability in computed tomography by reducing metallic artifacts. Methodology: A narrative review was conducted on English-language articles published between 2010 and 2025. Additionally, bibliographic references from experts in the field were considered, regardless of publication year, due to the relevance of the information. The documents were sourced from PubMed and Google Scholar. Description of findings: Similarly, it was evidenced that, in Peru, methods such as SEMAR and MARs improve computed tomography by up to 82% and 48% in diagnostic interpretability, respectively. Likewise, at a global level, Quad-Net outperforms DuDoNet and DANNet in reconstruction accuracy (RMSE 0.86, PSNR 43.45 dB, SSIM 98.16%). Conclusions: Classical methods are effective for small implants, while AI enhances image reconstruction with greater precision and less noise. The combination of both approaches proves to be the most effective strategy.