Generación de datos sintéticos para el seguimiento de tumores en imágenes de tomografía computarizada en 4D para facilitar el entrenamiento de redes neuronales.

Abstract

El seguimiento preciso de los tumores internos en movimiento es esencial en la irradiación del cáncer de pulmón, ya que las inexactitudes pueden resultar en el fracaso para erradicar el tumor, daño al tejido sano y la imposibilidad de curar la enfermedad. Actualmente, la irradiación precisa del tumor se logra utilizando imágenes fluoroscópicas de marcadores fiduciales de alta densidad. Sin embargo, la implantación de estos marcadores es un procedimiento doloroso, potencialmente dañino y que consume tiempo. Este proyecto buscó mejorar este enfoque mediante el uso de algoritmos de aprendizaje profundo para desarrollar un sistema de seguimiento de tumores sin marcadores, empleando tecnología de imágenes fluoroscópicas similar. Al aplicar estos algoritmos avanzados, el objetivo era maximizar la información extraída de las imágenes para lograr una detección y seguimiento precisos del tumor sin la necesidad de marcadores invasivos. En este marco, se desarrolló un generador de datos para entrenar redes neuronales, que demostró su capacidad generando imágenes de proyección de Radiografía Digitalmente Reconstruida (DRR) en un promedio de 175 ms por imagen, incluyendo ruido personalizado como Gaussiano y moteado cuántico. Además, las imágenes DRR se centraron en el centro de masa, replicando la posición del tumor en el movimiento respiratorio del paciente, con alta fidelidad en la geometría y la continuidad de las reconstrucciones. Este proyecto facilitará la futura expansión para entrenar una red neuronal que rastree tumores en un 4DCT sin marcadores, promoviendo procedimientos menos invasivos y más seguros. (LA)