HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography

Este artículo presenta HARU-Net, una nueva arquitectura de red neuronal que combina mecanismos de atención híbrida y aprendizaje residual para eliminar eficazmente el ruido en imágenes de tomografía computarizada de haz cónico (CBCT) de baja dosis, logrando una preservación de bordes superior y una mayor calidad diagnóstica con un costo computacional reducido en comparación con los métodos actuales.

Lo esencial

¡Hola! Imagina que tienes una cámara muy potente que toma fotos del interior de tu boca y tu cara en 3D, como si fuera una "máquina del tiempo" que te permite ver tus dientes y huesos desde cualquier ángulo. A esta máquina se le llama CBCT (Tomografía Computarizada de Haz Cónico).

El problema es que, para no dañar a los pacientes con demasiada radiación, la máquina tiene que tomar estas fotos con muy poca "luz" (baja dosis). El resultado es que las imágenes salen con mucha niebla o estática, como cuando ves una televisión antigua con mala señal. Esa "niebla" es el ruido, y hace que sea difícil ver detalles finos, como grietas pequeñas en los dientes o lesiones ocultas.

Los dentistas necesitan ver esos detalles para operar con precisión, pero la "niebla" les estorba. Aquí es donde entra el HARU-Net, el héroe de este estudio.

¿Qué es HARU-Net? (El "Restaurador de Arte" Digital)

Piensa en HARU-Net como un restaurador de cuadros experto que usa inteligencia artificial. Su trabajo es tomar esas fotos borrosas y llenas de ruido y limpiarlas sin borrar los detalles importantes.

Antes, los métodos para limpiar estas fotos eran como intentar limpiar un cuadro viejo con un trapo áspero: quitaban la suciedad, pero también borraban los trazos finos del artista (los bordes de los huesos). Otros métodos nuevos eran como usar un robot súper potente que limpiaba muy bien, pero tardaba horas y consumía tanta energía que era inviable usarlo en una clínica.

HARU-Net es diferente porque es un "híbrido" inteligente. Imagina que tiene dos cerebros trabajando juntos:

1. El Cerebro Local (Convolutional): Es como un artesano minucioso que mira de cerca cada pedacito de la imagen para entender la textura de los huesos y los dientes. Es rápido y eficiente.
2. El Cerebro Global (Transformer/Atención): Es como un director de orquesta que mira toda la imagen de una vez para entender el contexto. Sabe que si ve una mancha aquí, probablemente es parte de un hueso grande allá, y no un error.

Al combinar estos dos cerebros en una sola red (llamada Red Neuronal U-Net), HARU-Net logra lo imposible: quitar la "niebla" del ruido sin borrar los bordes nítidos de los huesos.

¿Cómo lo entrenaron? (El secreto del "Cadáver")

Para enseñarle a la IA a limpiar la imagen, necesitas mostrarle ejemplos de "antes" (ruidoso) y "después" (limpio). Pero, ¿cómo obtienes una foto limpia de un paciente sin darle una dosis peligrosa de radiación? ¡No puedes!

Los investigadores tuvieron una idea creativa:

• Usaron mandíbulas de cadáveres (especímenes humanos).
• Escanearon estas mandíbulas con una dosis de radiación muy alta (como si fuera una foto perfecta y nítida).
• Luego, usaron matemáticas para agregarles "ruido" artificial a esas fotos perfectas, creando versiones "sucias".

Así, la IA pudo aprender comparando la versión "sucia" con la versión "perfecta" del mismo hueso, sin tener que exponer a ningún paciente vivo a radiación extra.

¿Qué tan bueno es? (La carrera de velocidad)

Los investigadores pusieron a HARU-Net a competir contra otros "restauradores" famosos (llamados SwinIR y Uformer).

• Calidad: HARU-Net ganó la carrera. Las imágenes que produjo fueron las más nítidas y con menos errores. Los bordes de los dientes se veían cristalinos, y el ruido desapareció casi por completo.
• Velocidad: Aquí está la magia. Los otros métodos (especialmente los que usan solo el "cerebro global") eran como tortugas: tardaban mucho en procesar una sola imagen y consumían mucha energía. HARU-Net fue mucho más rápido y eficiente, tardando menos de 2 minutos en procesar todo un escaneo 3D en una computadora normal, mientras que otros tardaban más de 8 minutos.

En resumen

Imagina que tienes una foto de tu familia tomada en un día muy oscuro y borroso.

• Los métodos viejos la limpiaban pero la dejaban borrosa.
• Los métodos nuevos la limpiaban perfectamente, pero tardaban días en hacerlo.
• HARU-Net es como un mago que limpia la foto en segundos, haciendo que los rostros y los detalles salgan nítidos y perfectos, listo para que el dentista pueda diagnosticar con confianza.

Este avance es crucial porque permite a los dentistas usar dosis más bajas de radiación (más seguro para el paciente) y aun así obtener imágenes de alta calidad para diagnosticar problemas complejos, desde implantes dentales hasta cirugías de la mandíbula. ¡Es una victoria para la tecnología médica y la salud de los pacientes!

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography", traducido y estructurado en español.

1. Planteamiento del Problema

La Tomografía Computarizada de Haz Cónico (CBCT) es fundamental en odontología y otorrinolaringología para la visualización 3D de estructuras anatómicas. Sin embargo, la necesidad de mantener dosis de radiación bajas para minimizar el daño al paciente introduce un ruido fuerte y espacialmente variable en las imágenes. Este ruido degrada la visibilidad de los tejidos blandos, oscurece estructuras anatómicas finas y dificulta la delimitación de bordes óseos, lo que reduce la confianza diagnóstica y puede requerir escaneos repetidos.

Los métodos de denoising clásicos tienen dificultades para suprimir el ruido sin difuminar los bordes. Por otro lado, los enfoques basados en aprendizaje profundo (Deep Learning) suelen requerir pares de datos "ruidoso-limpio" de alta calidad para el entrenamiento supervisado. En el contexto de la CBCT clínica, obtener estos pares es éticamente inviable (implicaría exponer a pacientes a dosis altas innecesarias). Aunque existen enfoques auto-supervisados, su rendimiento suele ser subóptimo. Además, la mayoría de los estudios existentes se centran en radioterapia, dejando un vacío en la aplicación a imágenes dentales y de cabeza/cuello.

2. Metodología

A. Preparación de Datos y Preprocesamiento

Para superar la falta de datos reales emparejados, los autores utilizaron un conjunto de datos de cadáveres (21 hemimandíbulas humanas) adquiridos con un protocolo de alta resolución (90 kV, 5 mA) en un sistema 3D Accuitomo 170.

• Generación de Pares: Se añadieron ruido simulado a las imágenes de alta dosis (limpias) para crear pares de entrenamiento ruidosos/limpios. El ruido se modeló como la suma de ruido cuántico (distribución Gaussiana aproximada) y ruido electrónico.
• Pipeline de Segmentación: Se desarrolló un flujo de trabajo no supervisado para aislar las regiones anatómicas del fondo (aire):
  1. Recorte manual para eliminar regiones vacías.
  2. Clustering K-means (k=2) para separar tejido de aire.
  3. Dilatación morfológica para suavizar bordes.
  4. Detección y relleno de huecos mediante jerarquía de contornos.
  5. Extracción de parches dinámicos (256x256 píxeles) exclusivamente dentro de las regiones de tejido segmentadas, evitando el fondo.
• Conjunto de Datos: Se generaron ~50,000 pares de parches para entrenamiento, y conjuntos separados para validación y prueba.

B. Arquitectura Propuesta: HARU-Net

Los autores proponen una Red U-Net Residual de Atención Híbrida (HARU-Net). Esta arquitectura combina la eficiencia de las redes convolucionales (CNN) con la capacidad de modelado global de los transformadores. Sus componentes clave son:

1. Codificador y Decodificador Residuales: Utilizan bloques convolucionales residuales con activaciones LeakyReLU y operaciones de convolución para el down-sampling (en lugar de pooling), preservando más información de señal.
2. Bloques de Atención Híbrida (HAB) en Conexiones de Salto: Integrados en cada conexión de salto (skip connection) entre el codificador y el decodificador. Cada HAB combina:
   • Atención Auto-atención basada en Ventanas (Windowed Self-Attention): Similar a Swin Transformer, captura patrones espaciales locales y contextos de largo alcance mediante ventanas desplazadas.
   • Atención de Canal (Squeeze-and-Excitation): Re-pesa los canales de características según su relevancia global.
   • Objetivo: Refinar las características transmitidas, enfatizando estructuras anatómicas salientes sobre el ruido.
3. Grupo de Atención Híbrida Residual (RHAG) en el Cuello de Botella: Situado en la capa más profunda de la red. Es una variante simplificada que repite el bloque HAB seis veces en serie dentro de una configuración residual. Esto permite modelar dependencias contextuales de largo alcance con un costo computacional adicional moderado.

3. Contribuciones Clave

• Enfoque Híbrido Innovador: La integración estratégica de bloques de transformadores (HAB y RHAG) dentro de una arquitectura U-Net residual, logrando un equilibrio entre la extracción de características locales (CNN) y el modelado de dependencias globales (Transformers).
• Dataset de Cadáveres para CBCT Dental: Creación y uso de un conjunto de datos de alta calidad derivado de cadáveres con ruido simulado controlado, abordando la escasez de datos emparejados en imágenes dentales.
• Pipeline de Preprocesamiento Específico: Un método robusto de segmentación morfológica y clustering para aislar tejido de aire, asegurando que el modelo aprenda solo de regiones anatómicamente relevantes.
• Eficiencia Computacional: Demostración de que se puede lograr un rendimiento superior a los transformadores puros con un costo computacional significativamente menor.

4. Resultados

Evaluación Cuantitativa

El modelo HARU-Net se comparó contra métodos de vanguardia (SOTA): ResU-Net (línea base CNN), Uformer y SwinIR (basados en transformadores), y HAT (Hybrid Attention Transformer).

• PSNR (Relación Señal-Ruido Pico): HARU-Net obtuvo el valor más alto (37.52 dB), superando a HAT (36.70 dB), SwinIR (36.12 dB) y Uformer (36.25 dB).
• SSIM (Índice de Similitud Estructural): Logró 0.9557, siendo el segundo mejor (HAT obtuvo 0.9569), pero superando a los demás.
• GMSD (Desviación de Similitud de Magnitud de Gradiente): Obtuvo el valor más bajo (0.1084), indicando la mejor preservación de bordes y detalles finos.
• Costo Computacional:
  • FLOPs (GMACs): HARU-Net requirió 40.76 GMACs por parche, siendo mucho más eficiente que SwinIR (111.07) y HAT (349.36), aunque más costoso que el ResU-Net puro (6.90).
  • Tiempo de Inferencia: Procesar un escaneo 3D completo (512x512x512) tomó 1.985 minutos en una GPU RTX 2080 Ti, comparado con 8.85 min de SwinIR y 4.30 min de Uformer.

Evaluación Visual

El análisis visual en vistas axiales, sagitales y frontales mostró que HARU-Net produce las reconstrucciones más nítidas, preservando claramente los límites corticales óseos y los patrones trabeculares internos, mientras que otros métodos mostraron artefactos menores o suavizado excesivo.

5. Significado y Conclusión

El trabajo presenta un avance significativo en el procesamiento de imágenes CBCT de baja dosis.

• Impacto Clínico: HARU-Net ofrece una solución práctica y clínicamente confiable para mejorar la calidad de imagen sin aumentar la radiación, facilitando diagnósticos más precisos en endodoncia, implantología y cirugía maxilofacial.
• Eficiencia vs. Rendimiento: Demuestra que no es necesario utilizar arquitecturas de transformadores puras y costosas para obtener resultados de vanguardia. La integración selectiva de mecanismos de atención híbrida dentro de una CNN proporciona el mejor equilibrio entre fidelidad de imagen y eficiencia computacional.
• Limitaciones y Futuro: El modelo fue entrenado con datos de un solo proveedor de escáner, lo que podría afectar la generalización. Futuras investigaciones se dirigirán hacia la denoising volumétrica 3D, la adaptación a múltiples proveedores y la integración con aprendizaje auto-supervisado o basado en física para reducir aún más el costo computacional y permitir el procesamiento en tiempo real.

En resumen, HARU-Net establece un nuevo estándar para la denoising en CBCT dental, superando a los métodos actuales en calidad de imagen y velocidad, lo que lo convierte en un candidato prometedor para su implementación en flujos de trabajo clínicos reales.