Corrección de atenuación en SPECT mediante aprendizaje profundo con ventanas de fotopico y dispersión.

Resumen

Los artefactos de atenuación constituyen una limitación importante para la interpretación de los estudios SPECT. Aunque la corrección basada en CT es el método de referencia, requiere infraestructura específica y supone una exposición adicional a la radiación. En este trabajo se propone un modelo de aprendizaje profundo basado en una U-Net de doble entrada, capaz de generar mapas sintéticos de corrección por atenuación a partir de las ventanas del fotopico y de dispersión, incorporando la segmentación del contorno corporal. Se incluyeron 320 estudios SPECT de perfusión miocárdica realizados con 99mTc-MIBI: 258 para entrenamiento y validación, y 62 para evaluación. El modelo propuesto alcanzó un MSSIM de 0,98 y un MRE de 7,28 % para los mapas de atenuación, y un MSSIM de 0,99 y un MRE de 4,8 % para las imágenes reconstruidas. Los límites de concordancia al 95 % fueron [−6,87; 6,76] % a nivel de vóxel y [−7,81; 8,21] % a nivel segmentario. En conjunto, estos resultados indican que la combinación de la información del fotopico, la ventana de dispersión y la segmentación corporal permite obtener una alternativa basada únicamente en datos de emisión, con potencial para evitar el uso de CT en la corrección por atenuación.