Un modelo consciente de la física podría lograr una precisión suficiente para planificar la dosis sin necesidad de otra tomografía computarizada

La exploración con la que se orienta la radioterapia sirve para posicionar al paciente, pero rara vez ofrece una base fiable para el cálculo de dosis que

La radioterapia exige algo más que una localización aproximada del tumor: debe conocer con precisión la cantidad de tejido intermedio entre la piel y el objetivo, dado que cada capa absorbe o dispersa la energía de forma distinta. La exploración realizada en la sala de tratamiento se denomina TC de haz cónico (CBCT) y sirve para alinear al paciente antes de cada sesión. Aunque esta función es útil, la misma imagen rara vez permite fiarse cuando los clínicos calculan la dosis que recibirá cada órgano.

La TC de planificación emplea una fuente de rayos X y un detector en movimiento helicoidal, lo que proporciona valores más limpios para la densidad del tejido. El CBCT está integrado en la sala de tratamiento, por lo que puede realizarse rápidamente mientras el paciente permanece tumbado en la camilla. La desventaja es que su haz atraviesa más aire y partes corporales antes de llegar al detector. Esa dispersión adicional difumina las finas diferencias entre músculo, grasa y hueso. El endurecimiento del haz ocurre cuando los rayos X de baja energía se absorben primero, dejando un haz más duro que modifica la oscuridad medida del tejido. La truncación sucede cuando parte del cuerpo queda fuera del campo explorado, por lo que la imagen se reconstruye a partir de información incompleta. Las imperfecciones del detector y los límites de la reconstrucción añaden rayas, desenfoque o bordes deformados.

Los valores en una imagen TC son unidades Hounsfield, que describen con qué fuerza el tejido detiene los rayos X. Los motores de dosis utilizan esos números para predecir dónde depositará energía la radiación. Cuando los valores del CBCT se desvían, la dosis predicha puede ser demasiado alta en un punto y demasiado baja en otro. El contraste del tejido blando disminuye, aparecen distorsiones espaciales y los órganos pequeños pueden parecer desplazados o borrosos. La terapia adaptativa busca actualizar los planes a medida que los tumores se reducen o los órganos se mueven, pero hacerlo solo con CBCT es arriesgado. Una imagen equivalente TC más limpia permitiría a los clínicos reutilizar la exploración de la sala de tratamiento para la planificación sin exponer al paciente a otra exploración diagnóstica.

Cómo una verificación de rotación basada en la física del equipo estabiliza la reconstrucción de la imagen

Cuando el escáner gira alrededor del paciente, cada haz de rayos X proyecta una sombra del cuerpo desde un ángulo concreto. Si ese mismo cuerpo se rota un poco, las sombras no cambian de forma. Simplemente se desplazan a lo largo del detector la cantidad exacta que corresponde. El equipo de TC conoce esta relación porque su fuente y su detector siguen una trayectoria circular, por lo que la geometría ofrece una prueba integrada para cualquier volumen que reconstruya.

El método de reconstrucción utiliza esa prueba como regla de entrenamiento. Primero, un modelo generativo intenta convertir una exploración cónica ruidosa en un volumen más limpio, similar al de una TC. A continuación, el volumen reconstruido se rota pequeños ángulos dentro de su plano. El software simula las sombras que proyectaría ese volumen rotado, empleando la misma proyección directa que describe cómo el escáner recopila datos. Esas sombras simuladas se comparan con las proyecciones reales de la TC objetivo tras desplazarlas el mismo ángulo. Si la anatomía reconstruida no supera esta comprobación de rotación, significa que alguna densidad tisular o borde ha sido inventada de un modo que contradice la geometría del escáner.

Esta penalización no exige al modelo copiar una imagen con mayor fidelidad. Pide coherencia entre ángulos, lo cual se acerca más a cómo funciona la imagen física. La regla puede desalentar manchas, rayas y valores de tejido blando que parecen plausibles en pantalla pero producirían mediciones imposibles si se observaran desde otra dirección. Dado que la comprobación proviene de la propia trayectoria de adquisición del escáner, otorga al proceso de reconstrucción un anclaje estable. El modelo sigue aprendiendo anatomía, contraste y estructura fina a partir de exploraciones emparejadas, pero también se le enseña a respetar la geometría que generó los datos.

Qué mejoras se obtienen al reconstruir exploraciones ruidosas con distintos equipos y en diferentes pacientes

Entrenar con exploraciones procedentes de dos hospitales distintos aumenta la fiabilidad de las imágenes reconstruidas cuando se evalúan en cada centro por separado. En el conjunto de pruebas del fantoma, la relación pico señal-ruido pasó de unos 31 decibelios a 38 decibelios y la similitud estructural subió de 0,92 a 0,99. Esto indica que el volumen reconstruido se mantuvo mucho más cerca de la TC de referencia, tanto en brillo como en forma. El mayor aumento se produjo cuando el modelo había visto más de una configuración de escáner. CycleGAN y un modelo base de difusión simple también mejoraron, pero no alcanzaron la misma fidelidad. En el entrenamiento mixto, las imágenes del fantoma reconstruidas ganaron aproximadamente 7 decibelios frente al modelo de difusión simple. Esa diferencia no es un ajuste menor, porque las puntuaciones de comparación de imágenes usan una escala logarítmica. Los datos clínicos mostraron la misma dirección, aunque con un aumento menor: allí, la relación pico señal-ruido mejoró en unos 1,8 decibelios frente al modelo de difusión simple. La mejora apareció en distintas regiones de las secciones de cabeza y cuello. Los perfiles de unidades Hounsfield también siguieron más de cerca a la TC de referencia, especialmente dentro de los límites del tejido. Visualmente, el entrenamiento mixto produjo bordes anatómicos más nítidos y menos distorsiones de intensidad. El cálculo de dosis depende de valores estables de tejido, por lo que estos cambios son útiles. El modelo no necesitó un conjunto de datos único más grande para obtener el beneficio. Aprendió de la diversidad, incluidos diferentes grupos de pacientes y patrones de ruido relacionados con el escáner. El resultado sugiere que añadir otro entorno de adquisición ayuda a que la imagen reconstruida se mantenga bajo nuevas condiciones. La variabilidad también disminuyó, lo que apunta a un rendimiento más estable en lugar de un mejor caso afortunado. En el conjunto de pruebas clínicas, una menor variabilidad significó que menos secciones se desviaron mucho de la referencia. Por lo tanto, los volúmenes reconstruidos se volvieron más útiles al pasar entre máquinas y pacientes.

¿Por qué el modelo terminado funciona rápido y sin pasos de proyección extra?

El modelo final convierte una exploración de haz cónico ruidosa en un volumen similar al de una TC en unos 58 segundos por paciente, sin requerir nuevas mediciones del escáner. Esta rapidez se debe a dos decisiones de diseño. Primero, la red opera en un espacio latente comprimido, no directamente sobre cada vóxel de una exploración tridimensional completa de la cabeza. Un autoencoder pequeño comprime inicialmente cada volumen en una representación compacta que conserva la información de profundidad mientras reduce el detalle dentro del plano. El modelo de difusión aprende entonces a limpiar y completar ese objeto más pequeño, lo cual resulta mucho menos costoso que editar repetidamente millones de vóxeles. Segundo, la verificación física que vincula la salida con la geometría del escáner se aplica durante el entrenamiento, no en el momento de la prueba. Mientras aprende, comprueba ocasionalmente si un volumen candidato produciría lecturas del escáner coherentes con una exploración TC más limpia. Esto ocurre solo cada décima época, por lo que su coste se mantiene por debajo del 15 % del tiempo total de entrenamiento. Una vez terminado el entrenamiento, ese mecanismo de proyección se desactiva. En la inferencia, el modelo recibe únicamente la entrada de haz cónico y ejecuta una secuencia fija de 100 pasos deterministas de eliminación de ruido en el espacio latente. No resuelve una nueva ecuación del escáner, no busca rayos faltantes ni espera datos adicionales de la máquina. El resultado es un flujo de trabajo rápido que se adapta a la rutina de una sala de tratamiento, donde los clínicos necesitan una imagen poco después de posicionar al paciente.

La comprobación física persiste más allá del entrenamiento

La clave del método reside en permitir que la geometría del escáner enseñe al modelo qué debe cumplir una imagen verosímil. Durante el entrenamiento, si se rota un volumen sintético, sus proyecciones deben desplazarse de manera idéntica. Si la imagen generada incumple esta regla, la función de pérdida corrige los valores hacia densidades físicamente coherentes. Esta restricción no solo afila los bordes. Ayuda al modelo a mantener densidades tisulares creíbles al pasar de una configuración de escáner a otra y mejora la fidelidad tanto en datos de fantoma como en exploraciones clínicas de cabeza y cuello. Los resultados son concretos: un salto notable en la similitud de imagen en el conjunto de fantasmas, una mejora más estable en los datos de pacientes y una mayor precisión en las unidades Hounsfield dentro de los límites tisulares.

La promesa es práctica. Si el equipo clínico puede recuperar la calidad TC a partir de la exploración ya utilizada para el posicionamiento, la radioterapia adaptativa requeriría menos adquisiciones adicionales, menos radiación, esperas más cortas y una planificación más sencilla. Además, el método funciona rápidamente en inferencia porque los operadores físicos solo son necesarios durante el entrenamiento, no durante el uso con pacientes. Esto facilita su integración en una clínica ocupada frente a otro paso lento de reconstrucción.

Los obstáculos siguen siendo reales. La evidencia proviene de datos emparejados de cabeza y cuello, por lo que una adopción más amplia necesitará cohortes mayores, más zonas corporales y tipos de escáner con diferencias aún más marcadas. La confianza clínica también exige demostrar que las densidades sintetizadas son seguras para el cálculo de dosis a través de tumores, órganos en riesgo y anatomía cambiante durante un curso de tratamiento. Si una imagen puede reconstruirse con suficiente fiabilidad a partir de las propias mediciones de la máquina, ¿qué más en radioterapia podría dejar de considerarse desechable?