La tomografía computarizada (CT) es hoy una de las modalidades de elección para múltiples patologías, por su excelente rendimiento diagnóstico y su rapidez de adquisición. Sin embargo, también es la modalidad radiológica responsable de la mayor irradiación por estudios diagnósticos, con niveles equivalentes a entre 6 meses y 5,1 años de exposición a la radiación ambiental. Aunque la mayoría de los equipos de última generación implementan estrategias de reducción de dosis, no siempre es posible disminuir eficazmente la irradiación del paciente, porque eso implica una menor calidad de imagen, con consecuencias negativas para el diagnóstico. Por otra parte, el uso del aprendizaje profundo (DL) se ha extendido en radiología: existen productos comerciales que lo aplican a la reducción de ruido con resultados prometedores, pero que aún pierden rendimiento clínico ante reducciones agresivas de radiación.
En este contexto, vemos una oportunidad para desarrollar una solución que, con técnicas generativas de DL de vanguardia, reconstruya imágenes adquiridas con una reducción de dosis superior al 50% sin comprometer el rendimiento diagnóstico. El trabajo científico reciente en modelos de difusión aplicados a la reconstrucción de CT de baja dosis permite partir de conceptos tecnológicos ya formulados, un nivel de madurez TRL 2. Nuestra meta al final del proyecto es alcanzar TRL 4: una tecnología validada en laboratorio.

Entre los resultados del proyecto están AST-n, un método de muestreo rápido para reconstrucción de CT de baja dosis con modelos de difusión (MIRASOL–MICCAI 2025), y un eliminador de ruido de un solo paso basado en flow matching (MIRASOL–MICCAI 2026) — ver publicaciones.