Presentamos una versión renovada y ampliada del estudio sobre el algoritmo E2E-DEcomp orientado al desempaquetado de materiales en tomografía computarizada mediante aprendizaje profundo. En la fase de inferencia el flujo de trabajo del algoritmo E2E-DEcomp se organiza en etapas claras: adquisición de proyecciones, preprocesado específico para calibración espectral, paso por una red neuronal entrenada de extremo a extremo que realiza la descomposición y la reconstrucción simultánea, y una postprocesado que refina las imágenes resultantes para reducir artefactos y ruido. Esta secuencia se ilustra conceptualmente en la Figura 1 y la arquitectura empleada para la inferencia se detalla en la Tabla 1, que describe las capas, los bloques de atención espectral y las conexiones residuales que permiten mantener la fidelidad material durante la reconstrucción.
En la comparación cualitativa sobre imágenes de prueba del tejido adiposo, el método tradicional de retroproyección filtrada FBP presenta artefactos y menor contraste entre materiales, mientras que E2E-DEcomp mejora la separación de componentes y reduce el ruido correlacional. La Figura 2 muestra estas diferencias en una imagen representativa, poniendo de manifiesto la mayor claridad y menor contaminación cruzada entre canales materiales obtenida por el modelo basado en aprendizaje profundo. Complementariamente, el análisis cuantitativo de rendimiento se resume en la Figura 3 donde se presenta el error PSNR calculado para un conjunto de 10 imágenes de prueba en una descomposición de 2 materiales; los resultados evidencian un aumento consistente del PSNR frente a métodos tradicionales, con ganancias que traducen una mejora significativa en la calidad de reconstrucción y en la precisión de la estimación de material.
Técnicamente, E2E-DEcomp integra módulos de corrección espectral y una pérdida combinada que incluye términos de fidelidad de proyección, consistencia física y regularización de mapas materiales. Esta combinación permite que la red aprenda a corregir tanto errores sistemáticos de adquisición como variaciones dependientes de energía, lo que resulta crucial en aplicaciones clínicas e industriales donde la diferenciación material es crítica. Además, el enfoque end to end evita errores acumulativos asociados a pipelines en varias etapas, ofreciendo un procesamiento más robusto y rápido durante la inferencia.
Las ventajas prácticas de este enfoque incluyen mayor sensibilidad para detectar pequeñas concentraciones de material, reducción de artefactos en regiones complejas y una mayor consistencia entre estudios repetidos. Estas mejoras abren la puerta a aplicaciones de alto impacto en diagnóstico por imagen, control de calidad industrial y análisis de materiales en investigación, donde la precisión en la identificación y cuantificación de diferentes componentes es esencial.
En Q2BSTUDIO combinamos experiencia en inteligencia artificial y en desarrollo de sistemas a medida para llevar soluciones como E2E-DEcomp desde el laboratorio hasta la implementación productiva. Nuestro equipo diseña y despliega aplicaciones a medida y software a medida adaptados a los requisitos de cada cliente, integrando modelos de IA, pipelines de datos y despliegues en la nube. Si busca potenciar sus proyectos con modelos avanzados puede conocer nuestras soluciones de inteligencia artificial y cómo las aplicamos en entornos reales.
Ofrecemos además servicios complementarios esenciales para proyectos de este tipo: servicios cloud aws y azure para escalado y despliegue seguro, servicios inteligencia de negocio y Power BI para explotar los resultados cuantitativos, ciberseguridad y pentesting para proteger datos sensibles, y automatización de procesos para integrar modelos en flujos operativos. Nuestros servicios de integración aseguran que los modelos de descomposición material funcionen en producción con latencias, seguridad y auditoría adecuadas para entornos regulados.
Si su organización necesita desarrollar una solución a la medida que incorpore descomposición material por tomografía, visualización avanzada y análisis automatizado, en Q2BSTUDIO estamos preparados para acompañarle desde el diseño del modelo hasta la entrega del producto final. Con experiencia en agentes IA, ia para empresas y plataformas analíticas, aplicamos metodologías ágiles para acelerar el retorno de inversión. Para proyectos a medida de desarrollo puede consultar nuestro servicio de desarrollo de aplicaciones a medida y empezar a materializar su caso de uso.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.