Generación de imágenes de resonancia magnética «pseudo-CT» mediante redes generativas antagónicas (GAN) para la planificación de radioterapia estereotáctica

 

 

Nº de DOI: 10.34896/RSI.2026.40.96.001

 

 

AUTORES

1. Dalila Margoth Calderón Yari. Médico Universidad de Guayaquil, Médico General Servicios Prestados Particular, https://orcid.org/0009-0003-1012-4349
2. Kevin Alexander Cevallos Sánchez. Médico Universidad de Guayaquil, Médico ayudante de Urólogo Pediatra en diversas Clínicas Particulares, tales como Omnihospital, Kennedy Samborondón, Interhospital, Clínica Kennedy Norte, https://orcid.org/0009-0009-6663-0017
3. Ronny David Herrera Parra. Médico Universidad de Guayaquil, Médico en Funciones Hospitalarias en el Hospital de Huaquillas, https://orcid.org/0009-0005-3523-7002
4. Gladys Maria Yagual Lucas. Médico Universidad de Guayaquil, Médico General, Centro de especialidades, Yalumed Servicios Medicos, https://orcid.org/0009-0008-3577-0773
5. Margareth Lisbeth Sánchez Castro. Médica Universidad de Guayaquil, Médico Privado, https://orcid.org/0000-0002-4944-9357

 

RESUMEN

Introducción: La radioterapia estereotáctica exige una precisión submilimétrica, lo cual tradicionalmente requiere la fusión de imágenes de Tomografía Computarizada (TC) para el cálculo dosimétrico y Resonancia Magnética (RM) para la delimitación del tejido blando. El flujo de trabajo exclusivo con RM (MRI-only) elimina los errores de corregistro, pero requiere la generación de una «Pseudo-TC» (o TC sintética) para proveer la densidad electrónica necesaria. Las Redes Generativas Antagónicas (GAN) han emergido como la solución más prometedora para esta síntesis de imágenes.

Objetivo: Analizar y sintetizar la evidencia científica actual sobre la precisión, viabilidad clínica y aplicaciones de las arquitecturas GAN en la generación de imágenes Pseudo-TC a partir de RM para la planificación de radioterapia estereotáctica.

Método: Se realizó una revisión narrativa exhaustiva de la literatura en bases de datos biomédicas y técnicas, seleccionando estudios que evaluaron métodos basados en GAN para la síntesis de Pseudo-TC, focalizándose en métricas geométricas y resultados dosimétricos.

Resultados: Las arquitecturas GAN (como cGAN y CycleGAN) demuestran una superioridad consistente frente a métodos convencionales, logrando Errores Absolutos Medios (MAE) inferiores a 60-80 Unidades Hounsfield (HU) en cráneo y pelvis. Las evaluaciones dosimétricas revelan tasas de aprobación Gamma (criterios 2%/2 mm o 1%/1 mm) frecuentemente superiores al 98%, lo que confirma una equivalencia clínica con la TC de planificación convencional.

Conclusiones: La generación de Pseudo-TC mediante modelos GAN es una estrategia clínicamente viable, segura y altamente precisa para la planificación de radioterapia estereotáctica. Su integración clínica facilita la radioterapia guiada por RM (MRgRT) y optimiza los recursos hospitalarios, aunque requiere validaciones multicéntricas y estrictos controles de calidad.

PALABRAS CLAVE

Redes generativas antagónicas, radioterapia estereotáctica, resonancia magnética, tomografía computarizada sintética, inteligencia artificial en medicina, dosimetría.

ABSTRACT

Background: Stereotactic radiotherapy demands submillimeter precision, traditionally requiring the co-registration of Computed Tomography (CT) for dosimetric calculation and Magnetic Resonance Imaging (MRI) for soft tissue delineation. The MRI-only workflow eliminates registration errors but requires the generation of a «Pseudo-CT» (or synthetic CT) to provide the necessary electron density. Generative Adversarial Networks (GANs) have emerged as the most promising solution for this cross-modality image synthesis.

Objective: To analyze and synthesize current scientific evidence regarding the accuracy, clinical feasibility, and applications of GAN architectures in generating Pseudo-CT images from MRI for stereotactic radiotherapy planning.

Method: A comprehensive narrative review of the literature was conducted across biomedical and technical databases, selecting studies that evaluated GAN-based methods for Pseudo-CT synthesis, focusing on geometric metrics and dosimetric outcomes.

Results: GAN architectures (such as cGAN and CycleGAN) demonstrate consistent superiority over conventional methods, achieving Mean Absolute Errors (MAE) below 60-80 Hounsfield Units (HU) in the brain and pelvis. Dosimetric evaluations reveal Gamma passing rates (2%/2 mm or 1%/1 mm criteria) frequently exceeding 98%, confirming clinical equivalence with conventional planning CT.

Conclusions: Pseudo-CT generation using GAN models is a clinically viable, safe, and highly accurate strategy for stereotactic radiotherapy planning. Its clinical integration facilitates MRI-guided radiotherapy (MRgRT) and optimizes hospital resources, although it requires multicenter validations and stringent quality controls.

KEY WORDS

Generative adversarial networks, stereotactic radiotherapy, magnetic resonance imaging, synthetic computed tomography, artificial intelligence in medicine, dosimetry.

INTRODUCCIÓN

La evolución de la oncología radioterápica hacia tratamientos hipofraccionados y ablativos, como la radioterapia estereotáctica intracraneal (SRS) y extracraneal (SBRT), ha establecido una demanda sin precedentes de precisión geométrica y dosimétrica¹. Históricamente, el estándar de oro para la planificación del tratamiento ha dependido de la Tomografía Computarizada (TC), dado que proporciona el mapa tridimensional de coeficientes de atenuación radiológica (Unidades Hounsfield, HU) indispensable para el cálculo de la dosis de radiación por parte de los Sistemas de Planificación de Tratamientos (TPS)². Sin embargo, la limitación inherente de la TC radica en su pobre contraste de tejidos blandos, lo que dificulta la delimitación precisa de los volúmenes tumorales diana (GTV/CTV) y de los órganos de riesgo (OAR).

Para superar esta limitación, la práctica clínica habitual incorpora la Resonancia Magnética (RM), fusionando espacialmente ambas modalidades de imagen. Este corregistro de imágenes, aunque indispensable, introduce incertidumbres sistemáticas (errores de registro) de hasta 2-3 milímetros, desviaciones posturales y variaciones anatómicas debido al tiempo transcurrido entre ambas adquisiciones, lo cual es inaceptable en esquemas estereotácticos donde los márgenes de seguridad son mínimos³.

En respuesta a este paradigma, ha emergido el concepto de flujo de trabajo «exclusivo con RM» (MRI-only). Para su viabilidad, es imperativo deducir la información de densidad electrónica directamente desde la RM, un proceso conocido como la generación de una TC sintética o «Pseudo-TC»⁴. En los últimos años, el aprendizaje profundo (Deep Learning), y específicamente las Redes Generativas Antagónicas (GAN, por sus siglas en inglés), han revolucionado este campo, permitiendo traducciones de imagen a imagen de alta fidelidad. Este artículo de revisión narrativa analiza en profundidad el estado del arte de la generación de Pseudo-TC mediante GAN, abordando desde sus fundamentos físicos y algorítmicos hasta su validación y aplicabilidad clínica en la radioterapia estereotáctica.

MÉTODO

Metodología de búsqueda bibliográfica:

Para garantizar el rigor académico y la exhaustividad de esta revisión narrativa, se diseñó una estrategia de búsqueda bibliográfica sistemática en las bases de datos biomédicas y técnicas de mayor impacto internacional: PubMed/MEDLINE, Scopus, Web of Science y Google Scholar. La ventana temporal de búsqueda se estableció preferentemente entre los años 1990 y 2025, concentrando el esfuerzo de revisión en la última década (2014-2025) dada la naturaleza emergente de la tecnología de aprendizaje profundo en medicina.

La sintaxis de búsqueda combinó lenguaje libre y vocabulario controlado, utilizando los siguientes términos MeSH (Medical Subject Headings) e iteraciones relacionadas:

• («Generative Adversarial Networks» [MeSH] OR «Deep Learning» [MeSH]).
• AND («Magnetic Resonance Imaging» [MeSH] OR «MRI»).
• AND («Radiotherapy Planning, Computer-Assisted» [MeSH] OR «Stereotactic Radiosurgery» [MeSH]).
• AND («Tomography, X-Ray Computed» [MeSH] OR «synthetic CT» OR «pseudo-CT»).

 

Se aplicaron criterios de inclusión estrictos: artículos originales, revisiones sistemáticas y estudios de validación dosimétrica publicados en revistas revisadas por pares. Se excluyeron resúmenes de congresos sin publicación extendida y estudios que no reportan métricas geométricas o dosimétricas claras. La selección final constó de referencias de alto impacto que estructuran el cuerpo del conocimiento discutido en las siguientes secciones.

DESARROLLO

Fisiopatología (Bases Físicas y Mecanismos Algorítmicos):

Para comprender el reto que representa la síntesis de una Pseudo-TC, es fundamental transpolar el concepto clínico de fisiopatología a la «física de la imagen» y la «patología algorítmica» de la conversión intermodal⁵.

La barrera física entre RM y TC:

El contraste en la TC está dictado por la atenuación de los rayos X, la cual depende de la densidad electrónica de los tejidos. El hueso cortical, con alta densidad electrónica, atenúa fuertemente y produce un alto valor de HU. En contraparte, la imagen por RM no depende de la densidad de electrones, sino de la densidad de protones (núcleos de hidrógeno) y de sus tiempos de relajación magnética (T1, T2) tras la excitación por pulsos de radiofrecuencia.⁶ El tejido óseo cortical y las cavidades aéreas carecen de protones móviles que generen señal medible con secuencias convencionales, apareciendo ambos como «vacíos de señal» (negros) en la RM. Esta indistinguibilidad física entre aire y hueso en la RM estándar es el principal obstáculo «patológico» para calcular la dosis de radiación, dado que la radiación interactúa de forma diametralmente opuesta con el aire (baja absorción) y el hueso (alta absorción).

La resolución algorítmica: El ecosistema GAN:

Las Redes Generativas Antagónicas, introducidas por Goodfellow et al. en 2014, ⁷ abordan este problema mediante una arquitectura dual competitiva. El modelo consta de dos redes neuronales profundas que se entrenan simultáneamente:

1. El Generador (G): Ingiere la imagen de RM (o mapas de características de secuencias múltiples) y tiene la tarea de «sintetizar» o crear una imagen de Pseudo-TC con distribución de HU realista. Frecuentemente se utilizan redes basadas en U-Net o arquitecturas residuales (ResNet).
2. El Discriminador (D): Recibe tanto la TC real del paciente como la Pseudo-TC creada por el Generador, y actúa como un clasificador binario intentando distinguir cuál imagen es la verdadera y cuál es la falsificación sintética.

 

El entrenamiento se ejecuta como un juego minimax (de suma cero). A medida que el Discriminador mejora en detectar defectos sutiles (anatómicos o de textura) en las imágenes sintéticas, el Generador se ve forzado a producir Pseudo-TCs de mayor fidelidad biológica y física. Para el caso de imágenes médicas donde el corregistro perfecto a nivel de vóxel es casi imposible, arquitecturas avanzadas como CycleGAN permiten el entrenamiento con datos no emparejados, garantizando la consistencia del ciclo de traducción y previniendo la distorsión anatómica o «alucinación» de estructuras inexistentes^8,9.

PRESENTACIÓN CLÍNICA (INDICACIONES PARA FLUJOS EXCLUSIVOS DE RM):

La «presentación clínica» del problema se manifiesta en aquellos escenarios oncológicos donde la radioterapia estereotáctica requiere una extrema delimitación tisular, haciendo que el flujo de trabajo convencional RM-TC sea logísticamente complejo y clínicamente subóptimo debido a los errores de fusión¹⁰. Los escenarios clínicos de mayor indicación incluyen:

• Tumores del Sistema Nervioso Central (SNC): En gliomas de alto grado, meningiomas y metástasis cerebrales múltiples tratadas con SRS. El cerebro, confinado en la bóveda craneal rígida, es el sitio anatómico más investigado para MRI-only debido a que el cráneo sufre nulas deformaciones inter-fracción. La eliminación del margen de error por registro de imágenes permite una irradiación más agresiva del blanco protegiendo el quiasma óptico y el tronco encefálico¹¹.
• Cáncer de Próstata: En la planificación de SBRT prostática, el volumen del recto y la vejiga cambian dramáticamente en horas. Adquirir una TC de simulación y una RM de planificación en momentos distintos resulta en un corregistro erróneo. El flujo MRI-only mediante GAN asegura que la dosimetría se calcule sobre la misma anatomía topográfica exacta sobre la que el oncólogo dibujó la próstata¹².
• Neoplasias de Cabeza y Cuello y Tumores Abdominales: Los tumores hepáticos o pancreáticos están sujetos a marcados movimientos respiratorios. La integración de la Pseudo-TC en entornos de RM-Linac (Aceleradores Lineales guiados por RM) representa la vanguardia de la radioterapia adaptativa diaria, donde el plan de tratamiento se recalcula cada día basándose en una RM diaria transformada a Pseudo-TC mediante GAN en tiempo real¹³.

 

ABORDAJE DIAGNÓSTICO (PROTOCOLOS DE ADQUISICIÓN Y SÍNTESIS):

El abordaje diagnóstico para la obtención de la Pseudo-TC demanda rigurosos protocolos de adquisición de imagen, dado que la calidad del «output» de la red GAN es directamente proporcional a la calidad de los datos de «input».

Secuencias de entrada en RM:

A diferencia del abordaje multimodal clásico (TC + RM + PET), el flujo de trabajo guiado por GAN requiere exprimir toda la información posible de la máquina de RM. Se emplean diversas estrategias de entrada:

1. Monocanal (T1 o T2): Modelos GAN entrenados utilizando únicamente secuencias estructurales 3D T1 ponderadas en volumen, de uso universal, que capturan la anatomía global con alta resolución espacial¹⁴.
2. Multicanal / Multiparamétrica: Estrategias que alimentan al generador con múltiples secuencias simultáneamente (por ejemplo, T1 + T2 + Dixon). La secuencia de Dixon es particularmente útil ya que separa el agua de la grasa, permitiendo a la red inferir la médula ósea y distinguirla del tejido puramente acuoso¹⁵.
3. Secuencias de Tiempo de Eco Ultracorto (UTE) y Tiempo de Eco Cero (ZTE): La innovación radiológica ha permitido adquirir señales de estructuras con decaimiento T2 ultracorto (como el hueso cortical) antes de que la señal se desvanezca. Las redes GAN alimentadas con imágenes ZTE producen Pseudo-TCs de cráneo con un error en las unidades Hounsfield casi indistinguible del estándar de referencia, resolviendo la ambigüedad aire-hueso desde la adquisición de la imagen primaria¹⁶.

 

Preprocesamiento y normalización:

Antes de ingresar al generador GAN, las imágenes de RM deben someterse a estricto preprocesamiento, incluyendo corrección de heterogeneidad del campo magnético (B0/B1), supresión del ruido de fondo y normalización de intensidades (por ejemplo, normalización Z-score o mapeo de histogramas), asegurando que los tensores de datos proporcionen gradientes estables durante la inferencia de la inteligencia artificial.

DIAGNÓSTICO DIFERENCIAL (ANÁLISIS COMPARATIVO DE MÉTODOS DE SÍNTESIS).

Antes del advenimiento del Deep Learning, el «diagnóstico diferencial» metodológico para la obtención de mapas de densidad electrónica recaía en técnicas analíticas y estocásticas. Es crucial comparar las GAN frente a sus predecesores metodológicos para comprender su hegemonía actual¹⁷.

Véase tabla 1: Comparativa de Metodologías de Generación de Pseudo-TC.

Las arquitecturas GAN superan las limitaciones computacionales del registro basado en atlas y superan en precisión a los modelos CNN puros (como U-Net simple) debido al componente discriminador, el cual actúa como un regularizador perceptual que fuerza a la Pseudo-TC a mantener la nitidez en los bordes óseos, evitando el aspecto «borroso» (blurring) típico de las funciones de pérdida basadas únicamente en el error cuadrático medio (MSE)¹⁸.

ESTRATEGIAS TERAPÉUTICAS (PLANIFICACIÓN DOSIMÉTRICA Y DOSIMETRÍA CLÍNICA):

La «estrategia terapéutica» en este contexto se define como la utilización directa de la Pseudo-TC en el TPS para la planificación de la radioterapia estereotáctica.

Una vez generada la Pseudo-TC mediante la GAN, ésta es importada a los sistemas de planificación (ej. Eclipse, RayStation, Monaco). Los radio-oncólogos realizan la delineación del CTV, PTV y OAR directamente sobre la RM o sobre la misma Pseudo-TC. El cálculo de dosis para radioterapia de intensidad modulada (IMRT), arcoterapia volumétrica modulada (VMAT) o terapia de protones, se ejecuta empleando algoritmos estándar de la práctica clínica como Analytical Anisotropic Algorithm (AAA), Acuros XB, o simulaciones de Monte Carlo.

El cálculo de dosis es sumamente sensible a los valores radiológicos, especialmente en la radioterapia de protones. Los protones tienen una profundidad de penetración finita (pico de Bragg) que depende estrictamente del poder de frenado relativo (RSP), derivado directamente de las HU. En este sentido, estudios recientes de Olberg et al. han demostrado que las Pseudo-TC generadas por GAN (particularmente las CycleGAN) mantienen desviaciones en el cálculo del rango de protones menores a 1-2 mm, confirmando que la representación de los huesos de alta densidad y las cavidades de aire son manejadas por el modelo generativo de manera lo suficientemente robusta para la terapéutica con partículas pesadas¹¹.

PRONÓSTICO Y SEGUIMIENTO (RESULTADOS DOSIMÉTRICOS Y PRECISIÓN GEOMÉTRICA):

El «pronóstico» o éxito de la implementación de modelos GAN se evalúa a través de estrictas métricas geométricas y de concordancia dosimétrica, estableciendo la equivalencia clínica frente a la TC de simulación de referencia¹⁹.

Precisión Geométrica e Intensidad de Imagen:

A nivel volumétrico, la métrica estándar es el Error Absoluto Medio (MAE) entre la TC real del paciente y la Pseudo-TC generada por la GAN. En la anatomía intracraneal, las redes GAN más avanzadas reportan valores de MAE consistentemente en el rango de 45 a 75 HU para todo el volumen de la cabeza, y errores de aproximadamente 100-130 HU en la región pélvica, donde la variabilidad del gas intestinal representa un desafío mayor. ^3,14 Las métricas de similitud estructural, como el Coeficiente de Dice (DSC) para la intersección de estructuras óseas segmentadas en ambas modalidades, superan sistemáticamente el 85-90%.

Seguimiento Dosimétrico (Gamma Analysis):

La validación definitiva recae en el análisis del índice Gamma (γ), que compara las distribuciones tridimensionales de dosis de un plan planificado en la TC real frente al mismo plan recalculado en la Pseudo-TC generada por la GAN. En regímenes estereotácticos (SRS/SBRT), se aplican estrictos criterios de paso de 2% de diferencia de dosis y 2 mm de distancia de concordancia (2%/2mm), o incluso de 1%/1mm.

La extensa literatura analizada concuerda en que las tasas de aprobación Gamma superan el 98% al 99% para el volumen corporal total y para el Volumen Blanco de Planificación (PTV) cuando se emplean modelos GAN. Las diferencias en el volumen de dosis métrico crítico para los órganos de riesgo (ej. Dmax para el tronco encefálico, médula espinal o nervios ópticos) fluctúan rutinariamente por debajo de variaciones del 1%, una magnitud que cae holgadamente dentro de las tolerancias de la variabilidad inter-observador o las imprecisiones de posicionamiento rutinarias de la máquina²⁰.

DISCUSIÓN

La superioridad de las redes generativas antagónicas para la creación de imágenes Pseudo-TC es innegable a la luz de la literatura reciente; sin embargo, persisten desafíos sustanciales que deben mitigarse antes de su adopción universal. El principal riesgo inherente al aprendizaje profundo es la posible aparición de «alucinaciones algorítmicas». Dado que el generador puede aprender atajos estadísticos, existe un riesgo residual de que la red inserte anatomía ósea donde en la realidad clínica existe una calcificación tumoral aberrante, o que no logre reproducir la densidad específica de implantes metálicos o material de osteosíntesis, ya que estos generan severos artefactos de susceptibilidad magnética en la RM original que pueden desorientar las capas convolucionales¹⁰.

Asimismo, la generalización del modelo constituye un reto significativo. Una arquitectura GAN entrenada exclusivamente con datos de resonadores magnéticos de 3 Teslas de un fabricante específico, con antenas y secuencias particulares, puede sufrir una drástica degradación de rendimiento («Domain Shift») al procesar imágenes adquiridas en un escáner de 1.5 Teslas de diferente manufactura¹⁹. El avance tecnológico exige el desarrollo de modelos multicéntricos federados, donde las redes se entrenen de manera agnóstica respecto al escáner, empleando técnicas de normalización robustas y transferencia de aprendizaje (Transfer Learning). A pesar de estos retos, el advenimiento de los MR-Linacs ha transformado el concepto de la Pseudo-TC generada por GAN de un simple proyecto de investigación académica a una necesidad de supervivencia operacional diaria en los departamentos modernos de radio-oncología.

CONCLUSIONES

La generación de imágenes Pseudo-TC mediante Redes Generativas Antagónicas representa un salto cualitativo disruptivo en el campo de la radio-oncología, estableciendo las bases reales para el flujo de trabajo guiado exclusivamente por RM (MRI-only). La convergencia de un contraste de tejidos blandos inigualable para la delineación del tumor con una síntesis de densidad electrónica que alcanza errores absolutos medios inferiores a los umbrales clínicamente relevantes, valida su uso en la planificación de terapias que exigen márgenes microscópicos, como la radioterapia estereotáctica.

Si bien los modelos GAN como CycleGAN y arquitecturas condicionales demuestran niveles de concordancia dosimétrica que superan consistentemente el 98% en análisis Gamma, la futura adopción clínica a gran escala requerirá sistemas de aseguramiento de la calidad automatizados capaces de detectar fallas inferenciales (alucinaciones) en tiempo real, así como validaciones multicéntricas extensas que garanticen la universalidad inter-fabricante. En definitiva, las GAN no sólo incrementan la precisión dosimétrica y geométrica reduciendo los errores de registro, sino que mitigan la exposición a dosis diagnósticas innecesarias y optimizan el flujo de trabajo del paciente oncológico.

BIBLIOGRAFÍA

1. Johnstone E, Wyatt JJ, Henry AM, Short SC, Sebag-Montefiore D, Murray L, et al. Systematic Review of Synthetic Computed Tomography Generation Methodologies for Radiotherapy. Int J Radiat Oncol Biol Phys. 2018;100(4):1036-1051.
2. Devic S. MRI-only treatment planning: benefits and challenges. Phys Med. 2012;28(4):259-263.
3. Maspero M, Savenije MHF, Dinkla AM, Seevinck PR, Intven MPW, Jurgenliemk-Schulz IM, et al. Dose evaluation of fast synthetic-CT generation using a generative adversarial network for general pelvis MR-only radiotherapy. Phys Med Biol. 2018;63(18):185001.
4. Largent A, Barateau A, Nunes JC, Mylona E, Castelli J, Lafond C, et al. Pseudo-CT Generation for MRI-Only Radiation Therapy Treatment Planning: A Review. Magn Reson Med. 2019;82(6):2042-2054.
5. Nyholm T, Jonsson J. Counterpoint: Opportunities and Challenges of a Magnetic Resonance Imaging-Only Radiotherapy Work Flow. Semin Radiat Oncol. 2014;24(3):175-180.
6. Kapanen M, Tenhunen M. T1/T2*-weighted MRI provides clinically relevant pseudo-CT density data for the pelvic bones in MRI-only based radiotherapy treatment planning. Acta Oncol. 2013;52(3):612-618.
7. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Generative adversarial nets. Adv Neural Inf Process Syst. 2014;27:2672-2680.
8. Isola P, Zhu JY, Zhou T, Efros AA. Image-to-Image Translation with Conditional Adversarial Networks. Proc IEEE Conf Comput Vis Pattern Recognit. 2017:1125-1134.
9. Zhu JY, Park T, Isola P, Efros AA. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proc IEEE Int Conf Comput Vis. 2017:2223-2232.
10. Wang T, Lei Y, Fu Y, Curran WJ, Liu T, Yang X. A review on medical imaging synthesis using deep learning and its clinical applications. J Appl Clin Med Phys. 2021;22(1):11-36.
11. Olberg S, Zhang H, Dong Y, Shen C, Cai J, Li H. Dosimetric evaluation of synthetic CT generated with GANs for MRI-only proton therapy treatment planning of brain tumors. J Appl Clin Med Phys. 2022;23(9):e13714.
12. Liu Y, Lei Y, Wang Y, Shafiei-Sabet A, Tian S, Liu T, et al. MRI-based treatment planning for proton therapy. Med Phys. 2020;47(5):2367-2375.
13. Tie X, Zhi Y, Lamichhane N, Vimal Patel V, Yan P, Shen C. Generation of abdominal synthetic CTs from 0.35T MR images using generative adversarial networks for MR-only liver radiotherapy. Phys Med Biol. 2020;65(22):225006.
14. Nie D, Trullo R, Lian J, Petitjean C, Ruan S, Wang Q, et al. Medical Image Synthesis with Context-Aware Generative Adversarial Networks. Med Image Comput Comput Assist Interv. 2017;10435:227-236.
15. Chen S, Qin A, Zhou D, Yan Q, Cheng J, Li B, et al. Pseudo-CT generation from multi-parametric MRI using a novel multi-channel multi-path conditional generative adversarial network for nasopharyngeal carcinoma patients. Med Phys. 2020;47(4):1750-1763.
16. Wolterink JM, Dinkla AM, Savenije MHF, Seevinck PR, van den Berg CAT, Išgum I. Deep MR to CT synthesis using unpaired data. Lect Notes Comput Sci. 2017;10433:14-23.
17. Han X. MR-based synthetic CT generation using a deep convolutional neural network method. Med Phys. 2017;44(4):1408-1419.
18. Emami H, Dong M, Nejad-Davarani SP, Glide-Hurst CK. Generating synthetic CTs from magnetic resonance images using generative adversarial networks. Med Phys. 2018;45(8):3627-3636.
19. Olin A, Ahunbay E, Chen X. Dosimetric Validation of a GAN-Based Pseudo-CT Generation for MRI-Only Stereotactic Brain Radiotherapy. Cancers. 2021;13(5):1082.
20. Farjam R, Tseng CH, Reyhan M. A multi-centric evaluation of self-learning GAN based pseudo-CT generation software for low field pelvic magnetic resonance imaging. Front Oncol. 2023;13:1245054.

 

ANEXOS

Tabla 1: Comparativa de Metodologías de Generación de Pseudo-TC.

MÉTODO DE SÍNTESIS	PRINCIPIO DE FUNCIONAMIENTO	VENTAJAS PRINCIPALES	LIMITACIONES SIGNIFICATIVAS
Asignación de Densidad en Bloque (Bulk Density)	Segmentación manual o automática del contorno corporal y hueso en RM; asignación de un valor HU constante promedio (ej. agua=0, hueso=300).	Alta velocidad, baja demanda computacional, simplicidad de implementación.	Ignora la heterogeneidad intratisular. Falla gravemente en hueso esponjoso vs cortical. Inexactitud dosimétrica.
Métodos Basados en Atlas	Registro deformable (DIR) de un atlas conjunto (RM/TC de base de datos) hacia la RM del nuevo paciente para mapear la TC correspondiente.	Proporciona texturas continuas de HU; no requiere secuencias RM especiales.	Altamente susceptible a anomalías anatómicas (ej. tumores masivos, resecciones previas). El DIR es lento.
Modelos de Aprendizaje Automático Clásico (ej. Random Forest)	Extracción manual de características (textura, filtros de Gabor) a nivel de vóxel para predecir la HU.	Buena correlación estadística local.	Requiere un exhaustivo diseño de características (feature engineering); ruido elevado en la imagen resultante.
Redes GAN (Aprendizaje Profundo)	Traducción de imagen a imagen mediante mapeo no lineal aprendido en capas convolucionales profundas con entrenamiento adversarial.	Velocidad de inferencia en segundos (tras el entrenamiento); precisión en HU de estado del arte; robustez ante anatomía atípica.	Efecto de «Caja Negra» (Black-box); riesgo de alucinación de artefactos; requiere alto poder de cómputo (GPU) para entrenamiento.