Síntesis de PET a partir de TC: más precisos hacia los tumores exprés
Un tumor en una imagen es como un pequeño punto brillante sobre un enorme lienzo oscuro. El médico necesita precisamente ese punto, no un fondo perfectamente uniforme. Pero cuando una red neuronal aprende a convertir una tomografía computarizada (TC) ordinaria en una imagen similar a la tomografía por emisión de positrones (PET), a menudo intenta embellecer todo el conjunto y termina difuminando ese punto.
El problema es que las células tumorales ocupan solo una fracción diminuta del volumen total del cuerpo. Si se mide la calidad en toda la imagen, el modelo puede obtener puntuaciones altas, pero pasar por alto el débil brillo del cáncer. Los autores del nuevo trabajo propusieron añadir a la red neuronal dos señales simples: una indica cuán heterogénea es la textura del tejido, y la otra, cuán fuertes son los cambios de densidad. Estas señales se calculan de manera económica a partir de la TC y ayudan al modelo a concentrarse en las zonas sospechosas.
El modelo se llama LAFNO. Se entrenó con datos reales de pacientes con cáncer de próstata, donde los tumores brillan gracias al marcador radiactivo PSMA. En las pruebas, LAFNO redujo el error en la estimación de la actividad tumoral total casi a la mitad en comparación con los métodos anteriores. La precisión en la reproducción de la textura del tumor también mejoró, lo cual es importante para el análisis automático posterior.
Por ahora, la reproducción del tejido alrededor del tumor sigue siendo inestable y depende del tipo de marcador. Pero el enfoque en sí —indicar a la red dónde mirar mediante características físicas simples— podría ser útil también en otras tareas de imagenología médica.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2608.10429v1
Deep learning models that synthesize PET from CT or MRI can reduce patient dose and scanner demand, but are typically optimized with global losses such as L1 or mean squared error (MSE) that treat all voxels similarly. In whole-body PSMA-PET, tumor voxels occupy only a small fraction of the volume, yet carry the clinically relevant activity signal; as a result, models can achieve high structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR) while still underestimating lesion activity or failing to preserve tumor-specific structure. Radiomics provides biologically meaningful descriptors of tumor intensity and texture, but direct radiomics conditioning is time-consuming because it requires feature extraction from delineated lesion regions. We propose LAFNO, a Lesion-Aware Adaptive Fourier Neural Operator for CT-to-PSMA-PET synthesis that replaces high-dimensional radiomics conditioning with two efficient CT-derived proxy channels. Motivated by radiomics analysis of PSMA-avid tumor core and peritumoral regions, LAFNO uses a contrast proxy for local density variation and a disorder proxy for local texture heterogeneity, both injected into the model bottleneck. LAFNO combines whole-volume reconstruction with lesion-level total lesion activity (TLA), tumor-core contrast, and peritumoral supervision. We evaluated LAFNO against four baseline architectures on the TCIA PSMA-PET-CT-Lesions dataset. LAFNO remained competitive on whole-volume image quality, achieving SSIM of 0.960 and 0.938 for 18F- and 68Ga-PSMA, respectively, while reducing per-patient TLA error to 48.3% and 64.0% for 18F- and 68Ga-PSMA, respectively, and achieving the highest tumor-core radiomics reproducibility across all feature classes for both tracers. Peritumoral reproducibility remained tracer-dependent, indicating that biological fidelity in synthetic PSMA-PET remains challenging.
El marcador radiactivo PSMA, utilizado en la PET, se adhiere específicamente a una proteína abundante en la superficie de las células del cáncer de próstata, por lo que el tumor 'brilla' en la imagen.