Eficacia de las redes neuronales en la mitigación de artefactos para tomografía computarizada y resonancia magnética: una revisión bibliográfica sobre calidad de imagen

Este trabajo analiza la eficacia de las redes neuronales en la mitigación de artefactos en Tomografía Computarizada (TC) y Resonancia Magnética (RM), tecnologías esenciales cuya fidelidad diagnóstica se ve frecuentemente alterada por distorsiones visuales denominadas artefactos. El marco teórico establece que estas anomalías como el endurecimiento del haz, los efectos metálicos en TC, o el solapamiento y las imágenes fantasmagóricas en RM surgen de interacciones complejas entre el equipo, el paciente y factores técnicos. Tales errores inducen a "falsos positivos" y obligan a la repetición de estudios, lo que contraviene el principio ALARA al aumentar la dosis de radiación y los costos operativos. La revisión destaca el potencial de la Inteligencia Artificial, específicamente de las Redes Neuronales Convolucionales (CNN) como U-Net y ResNet, para automatizar la detección y corrección de estas distorsiones. A diferencia de los métodos tradicionales dependientes de la pericia humana, estas arquitecturas permiten identificar patrones complejos para diferenciar la anatomía real del ruido técnico, optimizando la relación señal-ruido. El documento aborda además el marco legal y ético, incluyendo normativas colombianas y la protección de datos, subrayando cómo la automatización busca estandarizar la calidad diagnóstica y garantizar la seguridad del paciente en los servicios de imagenología contemporáneos. Palabras clave: Artefactos, Inteligencia artificial, Redes Neuronales Convolucionales, Tomografía Computarizada, Resonancia Magnética.