GENERACIÓN DE IMÁGENES DE RESONANCIA MAGNÉTICA "PSEUDO-CT" MEDIANTE REDES GENERATIVAS ANTAGÓNICAS (GAN) PARA LA PLANIFICACIÓN DE RADIOTERAPIA ESTEREOTÁCTICA.

View at publisher Summarise with VIRAT
Authors: Dalila Margoth Calderón Yari, Kevin Alexander Cevallos Sánchez, Ronny David Herrera Parra, Gladys Maria Yagual Lucas, Margareth Lisbeth Sánchez Castro
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Introducción: La radioterapia estereotáctica exige una precisión submilimétrica, lo cual tradicionalmente requiere la fusión de imágenes de Tomografía Computarizada (TC) para el cálculo dosimétrico y Resonancia Magnética (RM) para la delimitación del tejido blando. El flujo de trabajo exclusivo con RM (MRI-only) elimina los errores de corregistro, pero requiere la generación de una "Pseudo-TC" (o TC sintética) para proveer la densidad electrónica necesaria. Las Redes Generativas Antagónicas (GAN) han emergido como la solución más prometedora para esta síntesis de imágenes. Objetivo: Analizar y sintetizar la evidencia científica actual sobre la precisión, viabilidad clínica y aplicaciones de las arquitecturas GAN en la generación de imágenes Pseudo-TC a partir de RM para la planificación de radioterapia estereotáctica. Método: Se realizó una revisión narrativa exhaustiva de la literatura en bases de datos biomédicas y técnicas, seleccionando estudios que evaluaron métodos basados en GAN para la síntesis de Pseudo-TC, focalizándose en métricas geométricas y resultados dosimétricos. Resultados: Las arquitecturas GAN (como cGAN y CycleGAN) demuestran una superioridad consistente frente a métodos convencionales, logrando Errores Absolutos Medios (MAE) inferiores a 60-80 Unidades Hounsfield (HU) en cráneo y pelvis. Las evaluaciones dosimétricas revelan tasas de aprobación Gamma (criterios 2%/2 mm o 1%/1 mm) frecuentemente superiores al 98%, lo que confirma una equivalencia clínica con la TC de planificación convencional. Conclusiones: La generación de Pseudo-TC mediante modelos GAN es una estrategia clínicamente viable, segura y altamente precisa para la planificación de radioterapia estereotáctica. Su integración clínica facilita la radioterapia guiada por RM (MRgRT) y optimiza los recursos hospitalarios, aunque requiere validaciones multicéntricas y estrictos controles de calidad.

Fields of Study & Subjects

Advanced Radiotherapy Techniques Artificial Intelligence in Healthcare and Education Generative Adversarial Networks and Image Synthesis

Publication details

Journal / source
Revista sanitaria de investigación.
Volume
VII
Issue
03
Publication date
1 March 2026
Language
ES