Rev Fis Med 2024;25(1)(Enero-Junio):41-9

Validación de imágenes generadas a partir

de imágenes tomográficas de haz cónico
usando redes neuronales de aprendizaje
profundo para radioterapia adaptativa
Validation of cone beam tomographic images generated by deep learning
neural networks for adaptive Radiotherapy
Manuel Llorente Manso1, *, Sandra Vilela Serrano2, Carlos Ferrer Gracia1, Natalia Carballo González2
1 Servicio de Radioprotección y Física Médica. Centro Oncológico MD Anderson España, Madrid.
2 Servicio de Radioterapia. Centro Oncológico MD Anderson España, Madrid.

Fecha de Recepción: 18/10/2023 - Fecha de Aceptación: 07/03/2024

Durante los tratamientos de Radioterapia, se adquieren imágenes tomográficas del paciente. Estas imágenes presentan
artefactos que limitan su validez para el cálculo de dosis. Es posible, con el uso de redes neuronales, hacerlas más adecuadas
para el cálculo de dosis. Empleamos la conocida red neuronal U-NET para entrenar un modelo capaz de generar imágenes
tomográficas aptas para el cálculo de dosis. El modelo se entrena con imágenes de tórax de 25 pacientes. El resultado se
verifica sobre las imágenes de 14 pacientes: 10 de tórax y 4 de pelvis. Con las Imágenes de CBCT se generan unas TC sinté-
ticas que se comparan con las de simulación. Se evalúan el error medio (EM) error absoluto medio (EAM) la relación máxima
de señal ruido (RMSR) y el índice de similitud estructural (ISE).
Se compara la dosis calculada sobre el TC con la calculada sobre ambos CBCT. Se calcula el índice gamma de similitud
entre las matrices de dosis y los valores de D5, D95 y dosis media sobre el PTV.
Se observa una mejora estadísticamente significativa en todos los parámetros estudiados.
La red neuronal U-NET puede emplearse para modificar imágenes de CBCT y hacerlas más aptas para el cálculo de dosis.
Palabras clave: TC sintético, redes neuronales, U-NET, Radioterapia adaptativa.

During radiotherapy treatments, tomographic images of the patient are acquired. There is interest in using those images
for treatment re-planning. LINAC images, in general, have artifacts that limit their validity for dose calculation. The use of
neural networks can enhance the image quality to make them more apt for dose calculation. In this work, we use the well-
known neural network U-NET to train a model capable of generating tomographic images valid for dose calculation. The
model is trained with images of thorax of 25 patients. The result is verified over the images of 14 patients: 10 thorax and
4 pelvis. The CBCT images are used to generate synthetic CT’s which are compared with the simulation ones. Mean error,
mean absolute error, maximum signal to noise ratio and structural similarity index are evaluated.
Doses calculated on both CBCT images and CT are compared. Evaluated parameters are gamma index, D5, D95 and
mean dose in the dose volume histogram of the target volume.
All the parameters evaluated presented a statistically relevant improvement.
U-NET neural network can be used on CBCT images to make them more apt for dose calculation.

Key words: Synthetic CT, neural networks, U-NET, adaptive Radiotherapy.

*Correspondencia: mllorente@mdanderson.es
https://doi.org/10.37004/sefm/2024.25.1.003
42 M Llorente Manso et al.

Introducción tes que se trataron de cáncer de pulmón y de mama.

Las imágenes se adquirieron en un TC GE VCT (GE
Desde la implantación de la radioterapia guiada por Healthcare, Waukesha, EEUU) de 64 cortes con un
imagen, cada vez se generan más imágenes de tomo- tamaño de vóxel de 0,997 × 0,997 × 2,5 mm3. Cada
grafía de haz cónico (CBCT, por sus siglas en inglés) de corte tenía un tamaño de 512 × 512 píxeles adquirido
los pacientes sobre la mesa de tratamiento. Esas imáge- con 120 kVp y corriente variable.
nes permiten evaluar los cambios anatómicos externos De estos 25 pacientes, se obtuvieron un total de
e internos que sufre el paciente durante el tratamiento. 49 conjuntos de imágenes de CBCT en un acelerador
Existe mucho interés en emplear esa información para Trilogy (Varian Medical Systems, Palo Alto, EEUU) con
realizar radioterapia adaptativa. Esta consiste en reha- un tamaño de vóxel de 1,17 × 1,17 × 2,5 mm3. El tama-
cer el plan de tratamiento teniendo en cuenta esos ño de cada imagen de CBCT era de 384 × 384 píxeles.
cambios anatómicos. Uno de los obstáculos que se Idealmente, las imágenes deberían ser de objetos,
plantean para la implantación de esta técnica es que en este caso pacientes, idénticos en forma tanto externa
las imágenes de CBCT son de calidad inferior a las de como distribución interior de órganos y tejidos, pero en
simulación y es difícil una buena correlación entre la la realidad, eso no es así. Debido a que las imágenes
densidad (electrónica o másica) del tejido y los núme- se adquirieron en momentos diferentes, habría que
ros TC de la imagen. Esta falta de correlación limita la corregirlas para eliminar las diferencias introducidas por
posibilidad de hacer el cálculo de la dosis directamente errores en el posicionamiento o cambios en la anatomía
sobre las imágenes de CBCT, como sería deseable. interna del paciente. El preprocesado para hacer coin-
Se han propuesto métodos de corrección de la ima- cidir las imágenes de TC con las de CBCT comprende
gen como el método del análisis de modelos1 Monte varios pasos:
Carlo2 o prioridad del TC.3 También se han empleado
métodos para la obtención de CBCT sintéticos, como • Recorte y ajuste de resolución: se recortan las imá-
el registro multi-mapa4 función de transformación de genes de TC y se cambia su resolución para hacer-
la intensidad,5 modelado estadístico6 y aprendizaje las iguales a las de CBCT.
automático.7,8 Más recientemente, se han ampliado las • Registro deformable: se realiza un registro deforma-
técnicas que emplean redes neuronales con aprendiza- ble de la imagen de TC para que coincida con la de
je profundo.9,10,11 CBCT.
Los autores mencionados entrenan una determi- • Normalización: cada imagen se convierte en una
nada red neuronal para una localización específica matriz. Todos los valores de píxel por encima de
y evalúan la mejora comparando los números TC 2000 se igualan a este valor y, posteriormente, se
resultantes con los de la imagen de simulación,10,11 o normalizan entre 0 y 1.
comparando la dosis calculada sobre ambos conjuntos • Aplicación de máscara: a las imágenes resultantes
de imágenes.9,10,11 Entrenar un modelo supone una se les aplica una máscara con el contorno externo,
elevada carga de trabajo ya que requiere un número para descontar del entrenamiento la parte de la ima-
relativamente grande de imágenes con un laborioso gen que queda fuera del paciente.
pre-procesado y largas horas de cálculo en ordenadores
dedicados. Este proceso se realizó empleando el software libre
El propósito de este estudio es evaluar si una 3D Slicer.* Para el registro deformable, se empleó el
red neuronal de uso muy extendido en Radioterapia módulo Plastimatch incluido en el paquete informático
(UNET12) entrenada con un número limitado de imá- 3D Slicer.
genes de tórax puede producir imágenes válidas para
el cálculo de dosis. Además, se estudiará si la misma
red se puede emplear sobre imágenes de pelvis, y si se Red neuronal
puede emplear la red entrenada para tórax como base
de partida para entrenar otra red sobre imágenes de U-Net es una red neuronal ampliamente probada y
pelvis. empleada en usos médicos tales como la segmentación
de órganos13,14 y la síntesis de imágenes.15 La red cons-
ta de un camino de contracción y otro de expansión, lo
Material y métodos que le da la arquitectura en forma de “u”. La ruta de
contracción es una red convolucional típica que con-
siste en la aplicación repetida de convoluciones, cada
Imágenes y pre-procesado una seguida de una unidad lineal rectificada (ReLU)
y una operación de agrupación máxima. Durante la
Para el entrenamiento de la red de imágenes de
tórax, se escogieron las TC de simulación de 25 pacien- * Slicer 4.11, http://www.slicer.org

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

Validación de imágenes generadas a partir de imágenes tomográficas de haz cónico usando redes neuronales... 43

Fig. 1. Esquema de la red neuronal U-NET empleada.

contracción, la información espacial se reduce mientras ción se usaron imágenes distintas de las empleadas
que la información de características aumenta. La ruta para el entrenamiento de las redes.
expansiva combina la característica y la información
espacial a través de una secuencia de convoluciones
ascendentes y concatenaciones con características de Evaluación de la imagen
alta resolución de la ruta de contracción.
En este caso partimos de imágenes de 384 × 384 Para la evaluación de la similitud entre las imágenes
píxeles a las que aplicamos hasta cuatro contracciones, de TC sintéticas, se emplearon varias métricas siguien-
que reducen la resolución hasta 24 × 24 píxeles y otros do el trabajo de Xuetao Wang:15 error medio (EM), error
cuatro pasos de expansión que devuelven una imagen absoluto medio (EAM), relación máxima de señal ruido
de la resolución original. La función de activación en (RMSR) y el índice de similitud estructural (ISE).
las capas intermedias es ReLU y la de la capa final El error medio viene definido en la ecuación (1),
es una función sigmoide. La función de pérdida es el donde P indica el valor del píxel y denota la diferencia
error absoluto promedio. La red se ha implementado entre los valores de píxel de cada par de imágenes.
en TensorFlow.† En la figura 1 se muestra un esquema
n
de la red neuronal empleada. Se indican las operacio- 1   CBCT
EM = Pi − PiTC

nes que se realizan con el nombre de la función en n (1)
i=1
Tensorflow que las lleva a cabo.
Para mejorar los resultados, se emplea la técnica de
aumento de los datos que consiste en aplicar rotaciones El error absoluto medio, definido en la ecuación (2),
y traslaciones a las imágenes. evalúa el valor absoluto de la diferencia píxel a píxel.
El modelo se entrenó sobre un procesador Intel Core
n
i7 11ª generación, con una memoria RAM de 32 Gb. El 1   CBCT
EAM = Pi − PiTC 

proceso de entrenamiento llevó alrededor de 16 h. La (2)
n
red resultante tarda, sobre la misma máquina, aproxi- i=1

madamente 1 s en convertir una imagen de CBCT en

TC sintética. La relación máxima señal-ruido viene definida en la
ecuación (3), donde MAX es el valor máximo que puede
alcanzar un píxel en la imagen y ECM es el error cua-
Evaluación drático medio, definido en la ecuación (4)

MAX2
 
La evaluación se realizó tomando pares de imágenes RMSR = 10 · log10 (3)
de TC y CBCT de 14 pacientes: 10 de tórax, 3 de pelvis ECM
y uno de abdomen. En todos los casos, para la evalua-

† https://www.tensorflow.org

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

44 M Llorente Manso et al.

n valor calculado sobre la imagen de TC y los calculados

1   CBCT 2
ECM = Pi − PiTC (4) sobre las imágenes de CBCT.
n
i=1 Los pacientes se dividieron en tres grupos, depen-
diendo de la localización: tórax, que incluye casos de
La ecuación (5) define el índice de similitud estruc- cáncer de pulmón y esófago, mama y abdomen-pelvis.
tural.

(2µTC µCBCT + c1 ) (2σTC σCBCT + c2 ) Modelo para pelvis

ISE =  (5)
µ2CBCT + µ2TC + c1 σ2CBCT + σ2TC + c2
 
Además del modelo para tórax, se entrenó un
segundo modelo para pelvis. Para ello se tomaron 24
En ella, μ designa al valor promedio de una imagen, conjuntos de imágenes de pelvis, procesadas de forma
σ a la desviación típica dentro de la imagen, y los coefi- similar a las anteriores y con los mismos parámetros en
cientes c1 y c2 se definen así: la red neuronal. En vez de empezar el entrenamiento
desde el inicio, se tomaron como valores iniciales de
c1 = (k1 MAX)2 , c2 = (k2 MAX)2 , pesos del modelo, los obtenidos para la red de tórax.
k1 = 0.01, k2 = 0.03 La red resultante se aplicó sobre los 4 casos de pelvis
que se emplearon en la evaluación de la red para tórax
A diferencia de los tres indicadores anteriores, que y se evaluó tanto la imagen como la dosis calculada
se fijan en errores absolutos, este indicador fue desa- sobre ella.
rrollado para cuantificar las diferencias entre imágenes
fijándose en el cambio percibido en la estructura de
la información.16 En los indicadores EM y EAM, un Análisis estadístico
valor bajo indica mayor similitud entre las imágenes,
resultando cero en caso de imágenes idénticas. RMSR Para determinar si había una mejora estadística-
tendrá un valor mayor cuanto más parecidas sean las mente significativa al aplicar la corrección a las imáge-
imágenes e ISE, que adopta valores entre cero y uno, nes de CBCT, se supuso que los valores de las métricas
tendrá un valor mayor para imágenes más parecidas. empleadas no seguían una distribución normal y, por
tanto, se debía aplicar una prueba no paramétrica. Al
tratarse de pares de medidas en un número menor de
Evaluación dosimétrica 25, se empleó la prueba de los rangos con signo de
Wilcoxon.
Con el propósito de evaluar el impacto en el cálculo
de dosis, se transfirieron las imágenes de CBCT y de
TC sintética de 14 pacientes al sistema de planificación Resultados
(Pinnacle3 16.2. Philips Medical Systems, Fitchburg,
EEUU). Se realizó un registro rígido de las imágenes y En la figura 2 se recogen los valores de las distintas
se calculó el tratamiento original sobre las imágenes de métricas de comparación entre imágenes. Se compa-
CBCT y TC sintética. Para el CBCT original se empleó ran, por un lado, las imágenes de CBCT sin corregir
una tabla de conversión de números TC obtenida espe- con las de TC de simulación y, por otro, las de CBCT
cíficamente para esa técnica de imagen. Para la TC corregido con la TC de simulación. En los casos de
sintética se empleó la misma tabla que para la TC de abdomen-pelvis, se compara también con las imágenes
simulación. Se exportaron las matrices de dosis calcu- corregidas empleando la red entrenada para pelvis.
ladas sobre los tres tipos de imagen para compararlas En la mayoría de los pares de valores se observa
posteriormente usando 3D Slicer. una mejora al aplicar la corrección a las imágenes. Tras
Las matrices de dosis tenían una resolución de 2,5 el análisis estadístico, se comprueba que la mejora es
mm en cada dirección. La métrica empleada para com- estadísticamente significativa para todos los indicado-
parar las matrices de dosis fue el índice gamma17 con res, con p < 0.002 en todos los casos. En la tabla 1 se
parámetros de 2 mm/3% descartando los puntos con muestran los valores de p obtenidos para cada indica-
un valor por debajo del 20% del máximo. También se dor y los valores promedio de cada métrica sobre las
compararon los histogramas dosis volumen (HDV) del imágenes sin corregir y corregidas con el modelo de
volumen de interés (PTV). Para ello, se recogieron los tórax y el de pelvis.
valores de la dosis media dentro del PTV, la dosis reci- Los resultados de comparar los histogramas dosis-
bida por el 95% del volumen (D95) y por el 5% (D5). A volumen del PTV en los pacientes se muestran, agru-
continuación se calculó la diferencia porcentual entre el pados por localización anatómica, en las figuras 3 a 6.

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

Validación de imágenes generadas a partir de imágenes tomográficas de haz cónico usando redes neuronales... 45

Fig. 2. Comparativa de las métricas de similitud entre imágenes: error medio (EM) error absoluto medio (EAM) relación
máxima señal-ruido (RMSR) e índice de similitud estructural (ISE). Se muestran los valores de comparar la imagen de simu-
lación con el CBCT original (azul), el corregido con la red de tórax (naranja) y las corregidas con la red de pelvis (verde). Los
pacientes aparecen agrupados por localización anatómica.

Los pacientes se muestran agrupados por localización todos los parámetros dosimétricos estudiados, tal y
anatómica (tórax, mama, abdomen-pelvis). El análisis como se recoge en la tabla 1. En ella, se puede ver que
estadístico indica que hay una mejora significativa en el valor de p es de 0.006 o menor.

Tabla 1. Valor del estadístico W y p al aplicar la prueba de los rangos con signo de Wilcoxon a las distintas métricas evaluadas:
error medio (EM) error absoluto medio (EAM) relación máxima señal-ruido (RMSR) índice de similitud estructural (ISE),
índice gamma y diferencia con respecto al de simulación de Dosis media, D95 y D5 en el PTV.
Métrica Estadístico (W) p
EM 3 0.0006
EAM 0 0.0001
RMSR 2 0.0007
ISE 0 0.001
Gamma (2 mm/3%) 12 0.008
Dosis media (diferencia %) 3 0.006
D95 (diferencia %) 11 0.006
D5 (diferencia %) 1 0.0002

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

46 M Llorente Manso et al.

Fig. 3. Diferencias en la dosis media dentro del PTV entre la calculada sobre las imágenes de simulación y las calculadas
sobre las imágenes de CBCT. Se emplean las imágenes sin corregir (cbct), corregidas con el modelo de tórax (cbct corr) y
el modelo de pelvis (corr pelvis).

Fig. 4. Diferencias en la dosis que recibe el 5% del volumen (D5) dentro del PTV entre la calculada sobre las imágenes de
simulación y las calculadas sobre las imágenes de CBCT. Se emplean las imágenes sin corregir (cbct), corregidas con el
modelo de tórax (cbct corr) y el modelo de pelvis (corr pelvis).

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

Validación de imágenes generadas a partir de imágenes tomográficas de haz cónico usando redes neuronales... 47

Fig. 5. Diferencias en la dosis que recibe el 95% del volumen (D95) dentro del PTV entre la calculada sobre las imágenes
de simulación y las calculadas sobre las imágenes de CBCT. Se emplean las imágenes sin corregir (cbct), corregidas con el
modelo de tórax (cbct corr) y el modelo de pelvis (corr pelvis).

Fig. 6. Valores del índice gamma (2 mm/3%) al comparar la matriz de dosis de simulación con la calculada sobre la imágenes
de CBCT originales (gamma cbct), sobre las corregidas con la red de tórax (gamma cbct corr.) y las corregidas con la red
de pelvis (corr pelvis). Los pacientes aparecen agrupados por localización anatómica.

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

48 M Llorente Manso et al.

Discusión hace más similares los números TC del CBCT a los del
TC de simulación, que tomamos como verdaderos.
Los resultados presentados demuestran la capa- Aunque el número de muestras por cada localiza-
cidad de una red neuronal U-NET para mejorar las ción anatómica no permite hacer un análisis estadístico
imágenes de CBCT para su uso en el cálculo de dosis fiable, sí se puede apreciar que la mejora para los
en Radioterapia. Cabe señalar que la mejora es signifi- casos de mama es menor que para los de tórax o pel-
cativa incluso para una red entrenada con un número vis. Una posible explicación es que el PTV de la mama
muy limitado de muestras (49), por lo que se espera es un tejido de densidad uniforme y periférico, menos
que se puedan mejorar los resultados aumentando el afectado por los artefactos de imagen que los de otras
número de muestras para el entrenamiento de la red. localizaciones como el mediastino o la pelvis, que se
Las imágenes generadas presentan una mejoría en encuentran en profundidad y en zonas con heteroge-
las métricas de similitud de imagen que hemos evalua- neidades debidas al pulmón, los huesos o los gases
do. Eso quiere decir que las imágenes generadas están intestinales.
más cerca de las de simulación que las originales. Sin El cambio en el promedio de tasa de paso del
embargo, la mejora se hace menos aparente en el índi- índice gamma pasa de 90.5% a 94.8% y 94% para
ce de similitud estructural. Posiblemente, eso se deba los modelos de tórax y pelvis, respectivamente. Para
a que esta métrica se fija en la textura de las imágenes. calibrar la relevancia clínica de esta mejora, el criterio
En las imágenes generadas por la red neuronal, el para aceptación de las medidas de control de calidad
valor del píxel se hace más parecido al de la imagen de tratamientos en nuestro centro es que el parámetro
original a costa de perder resolución y detalle. Es decir, gamma sea mayor del 95% (2 mm/3%). Salvando las
son imágenes más borrosas que, aunque presenten distancias, se podría extrapolar este criterio para decir
los artefactos atenuados o una mejor correlación con que el primer cálculo sería claramente no aceptable,
la densidad del tejido, serán peores para contornear mientras que los otros estarían mucho más cerca de
estructuras que las originales, como se puede apreciar ser aceptables. Así mismo encontramos interesante la
en la figura 7. Este aspecto se podría estudiar emplean- mejora de más del 1% en la dosis media dentro del
do imágenes de maniquíes de control de calidad, aun- PTV.
que cae fuera del objetivo primario de este trabajo y También cabe señalar que la red de pelvis ofrece
queda pendiente para un futuro estudio. El análisis de buenos resultados y hace pensar que una red entre-
las magnitudes dosimétricas también arroja una mejora nada en una localización anatómica se puede emplear
en todos los parámetros medios. como punto de partida para entrenar una segunda en
La explicación para esto es que la tabla de con- otra localización con número reducido de muestras, lo
versión de números TC a densidad para el CBCT se que permitiría ahorrar trabajo y tiempo de cálculo.
obtiene a partir de unas imágenes de un maniquí de La metodología empleada presenta el problema de
control de calidad de un tamaño mucho menor que el que las imágenes de simulación y las de tratamiento no
del paciente. Las imágenes de un paciente real están se corresponden exactamente. El día de tratamiento,
afectadas por múltiples artefactos que hacen que pier- el paciente puede encontrarse en una posición ligera-
da validez esa tabla de conversión obtenida en condi- mente distinta a la del día de la simulación o pueden
ciones ideales. La corrección a través de la red neurona haberse producido cambios anatómicos. Esos cam-

Fig. 7. Imagen de CBCT sin corregir (izquierda) y corregida (derecha).

Rev Fis Med 2024;25(1)(Enero-Junio):41-9

Validación de imágenes generadas a partir de imágenes tomográficas de haz cónico usando redes neuronales... 49

5. Ye DH, Zikic D, Glocker B, Criminisi A, Konukoglu E. Modality

bios son tenidos en cuenta a la hora de comparar las propagation: coherent synthesis of subject-specific scans
imágenes a través de la fusión con deformación. Sin with data-driven regularization. Med Image Comput Comput
embargo, no disponemos de los medios técnicos para Assist Interv. 2013;16(Pt 1):606-613. doi:10.1007/978-3-
aplicar esa deformación en el cálculo de dosis. Una 642-40811-3_76
forma de solventar este problema sería contando con 6. Kapanen M, Collan J, Beule A, Seppälä T, Saarilahti K,
un sistema de planificación que pudiera hacer registro Tenhunen M. Commissioning of MRI-only based treatment
con deformación de las imágenes de CBCT y calcular la planning procedure for external beam radiotherapy of pros-
tate. Magn Reson Med. 2013;70(1):127-135. doi:10.1002/
dosis sobre las imágenes deformadas. Sin embargo, las mrm.24459
diferencias encontradas en los parámetros dosimétricos
7. Cao X, Yang J, Gao Y, Guo Y, Wu G, Shen D. Dual-core
son achacables, en principio, a dos fuentes: las dife- steered non-rigid registration for multi-modal images via bi-
rencias anatómicas entre las imágenes y los artefactos directional image synthesis. Med Image Anal. 2017;41:18-
que presentan las imágenes de CBCT. Las correcciones 31. doi:10.1016/j.media.2017.05.004
aplicadas no actúan sobre las diferencias anatómicas, 8. Huynh T, Gao Y, Kang J, et al. Estimating CT Image From
sino sólo sobre los artefactos de imagen, con lo que MRI Data Using Structured Random Forest and Auto-
el efecto de las primeras permanecería invariable y Context Model. IEEE Trans Med Imaging. 2016;35(1):174-
no invalidaría las conclusiones que presentamos. Otra 183. doi:10.1109/TMI.2015.2461533
forma de minimizar el error introducido por este defec- 9. Eckl M, Hoppen L, Sarria GR, et al. Evaluation of a
cycle-generative adversarial network-based cone-beam CT
to sería aumentando el número de casos verificados.
to synthetic CT conversion algorithm for adaptive radia-
Suponemos que el error es de carácter aleatorio y que tion therapy. Phys Med. 2020;80:308-316. doi:10.1016/j.
para un número suficiente de casos los resultados ejmp.2020.11.007
serán más fiables. 10. Maspero M, Houweling AC, Savenije MHF, et al. A single
neural network for cone-beam computed tomography-based
radiotherapy of head-and-neck, lung and breast cancer.
Conclusión Phys Imaging Radiat Oncol. 2020;14:24-31. Published 2020
May 25. doi:10.1016/j.phro.2020.04.002
Es posible mejorar la calidad de las imágenes de 11. Liang X, Chen L, Nguyen D, et al. Generating synthesized
computed tomography (CT) from cone-beam computed
CBCT obtenidas en un acelerador lineal para su uso
tomography (CBCT) using CycleGAN for adaptive radiation
en el cálculo de dosis con el fin de hacer Radioterapia therapy. Phys Med Biol. 2019;64(12):125002. Published
adaptativa empleando una red neuronal tipo U-NET. La 2019 Jun 10. doi:10.1088/1361-6560/ab22f9
mejora es significativa incluso para una red entrenada 12. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional
con un número muy limitado de muestras. Networks for Biomedical Image Segmentation. In: Navab,
Aunque el limitado número de muestras impide N., Hornegger, J., Wells, W., Frangi, A. (eds) Medical Image
hacer un análisis estadístico por localización, las mejo- Computing and Computer-Assisted Intervention – MICCAI
2015. MICCAI 2015. Lecture Notes in Computer Science(),
ras apreciadas sí parecen prometedoras en los casos
vol 9351. Springer, Cham. https://doi.org/10.1007/978-3-
de tórax y pelvis. Es esperable que un análisis con un 319-24574-4_28.
número suficiente de casos podría validar el método 13. Radiuk P. Applying 3D U-Net Architecture to the Task
expuesto. of Multi-Organ Segmentation in Computed Tomography.
Applied Computer Systems. 2020;25(1): 43-50. https://doi.
org/10.2478/acss-2020-0005
Referencias 14. Vesal, S., Ravikumar, N., Maier, A. A 2D dilated residual
U-Net for multi-organ segmentation in thoracic CT. arXiv
1. Naimuddin S, Hasegawa B, Mistretta CA. Scatter-glare correc- preprint arXiv:1905.07710, 2019.
tion using a convolution algorithm with variable weighting.
15. Xuetao Wang, Wanwei Jian, Bailin Zhang, Lin Zhu, Qiang He,
Med Phys. 1987;14(3):330-334. doi:10.1118/1.596088
Huaizhi Jin, Geng Yang, Chunya Cai, Haoyu Meng, Xiang
2. Xu Y, Bai T, Yan H, et al. A practical cone-beam CT scatter Tan, Fei Li, Zhenhui Dai. Synthetic CT generation from cone-
correction method with optimized Monte Carlo simula- beam CT using deep-learning for breast adaptive radiothe-
tions for image-guided radiation therapy. Phys Med Biol. rapy. Journal of Radiation Research and Applied Sciences.
2015;60(9):3567-3587. doi:10.1088/0031-9155/60/9/3567 2022; 15(1):275-282. doi.org/10.1016/j.jrras.2022.03.009.
3. Zollner, ¨ C., Rit, S., Kurz, C., Vilches-Freixas, G., Kamp, F., 16. Zhou Wang, A. C. Bovik, H. R. Sheikh and E. P. Simoncelli.
Dedes, G., Belka, C., Parodi, K., & Landry, G. Decomposing Image quality assessment: from error visibility to structural
a prior-CT-based cone-beam CT projection correction algo- similarity. IEEE Transactions on Image Processing, 2002;
rithm into scatter and beam hardening components. Physics 13(4): 600-612. doi: 10.1109/TIP.2003.819861.
and Imaging in Radiation Oncology. 2017; 3, 49–52. https://
17. Low DA, Harms WB, Mutic S, Purdy JA. A technique for
doi.org/10.1016/j. phro.2017.09.002
the quantitative evaluation of dose distributions. Med Phys.
4. Burgos N, Cardoso MJ, Thielemans K, et al. Attenuation 1998;25(5):656-661. doi:10.1118/1.598248
correction synthesis for hybrid PET-MR scanners: application
to brain studies. IEEE Trans Med Imaging. 2014;33(12):2332-
2341. doi:10.1109/TMI.2014.2340135

Rev Fis Med 2024;25(1)(Enero-Junio):41-9