Desafios da modelagem na tomografia por emissão de pósitrons

Resumo

A tomografia por emissão de pósitrons (PET, do inglês positron emission tomography) é um método de formação de imagem médica, de alta sensibilidade para o mapeamento de processos metabólicos no corpo humano. Embora seja amplamente empregada no diagnóstico de patologias proliferativas como o câncer, suas aplicações abarcam também as patologias degenerativas como a demência, sendo crescente o seu uso no diagnóstico precoce de diversas doenças. O objetivo deste estudo foi discutir os desafios na modelagem de dados na tomografia por emissão de pósitrons. Para tal, foi realizada uma revisão integrativa da literatura, com os descritores PET, image processing, data modeling, artificial intelligence, com o operador booleano AND. As bases de dados foram IEEE Xplore e PubMed, sendo todas as publicações realizadas nos últimos 5 anos. Os dados utilizados para a obtenção das imagens de PET são gerados pela detecção de fótons gama resultantes da aniquilação entre pósitrons e elétrons. Esse fenômeno físico é decorrente da administração ao paciente de radiofármacos, compostos emissores de pósitrons, que se acumulam em tecidos metabolicamente ativos (HASHIMOTO et al., 2024). A exatidão do diagnóstico feito com o uso do PET é de extrema importância dada a sua abrangência e seu caráter crítico. Por si só, porém,  PET possui baixa correlação anatômica, sendo necessária sua associação com a tomografia computadorizada (CT, do inglês computed tomography), no PET/CT, ou a ressonância magnética (MR, do inglês magnetic resonance), no PET/MR. Ainda assim, o nível de precisão depende diretamente da qualidade da reconstrução das imagens geradas, que por sua vez, está atrelada à modelagem matemática dos dados adquiridos (Menzies; Lastori, 2022). Duas grandes limitações relacionadas à modelagem do PET têm sido identificadas. Fisicamente a técnica encontra limitações associadas ao alcance dos pósitrons, à sensibilidade e à resolução dos detectores de cintilação do PET scan. E no aspecto computacional, tais limitações devem-se à baixa resolução espacial e à presença de ruído nas imagens reconstruídas (Verfaillie et al., 2023). Técnicas como a filtragem Gaussiana e a modelagem da função de espalhamento pontual (PSF, do inglês point spread function) têm sido utilizadas para mitigar esses efeitos, porém ainda há restrições em cenários de maior complexidade. Além disso, erros na estimativa dos valores padronizados de captação (SUV, do inglês standardized uptake values) tendem a comprometer a acurácia da análise funcional das regiões de interesse. Nos últimos anos, soluções baseadas em redes neurais, especialmente combinadas com aprendizado profundo, têm revolucionado a reconstrução e pós-processamento das imagens de PET (Huang et al., 2025). Como resultado, têm-se imagens com super-resolução, correção de artefatos e redução de ruído. Além disso, o uso dessas ferramentas tem possibilitado segmentações automáticas com maior precisão (Yoshimura et al., 2022). O uso de redes neurais, todavia, traz consigo desafios intrínsecos e novos, atrelados ao uso da inteligência artificial. Nesse contexto, são eles: a necessidade de bases de dados extensas e rotuladas, a interpretabilidade dos modelos e a validação clínica dos resultados gerados (Reader; Pan, 2023). O avanço da utilização da inteligência artificial (IA) e do aprendizado de máquina no contexto da medicina de precisão, especialmente na oncologia, tem ampliado significativamente a aplicabilidade clínica do PET (Wei et al., 2023). Apesar das limitações próprias à técnica, os avanços em métodos computacionais baseados em IA têm potencializado o desempenho do PET como poderosa ferramenta diagnóstica na saúde humana. Contudo, é essencial que haja colaboração profissional multidisciplinar para o desenvolvimento de soluções robustas, que por sua vez, equilibrem a precisão diagnóstica e a viabilidade computacional, promovendo melhorias contínuas na prática médica.
Palavras-chave: diagnóstico médico; engenharia biomédica; imagem médica; processamento de imagens. 
Referências:
HASHIMOTO, F. et al. Deep learning-based PET image denoising and reconstruction: a review. Radiological Physics and Technology, v. 17, p. 24–46, 2024.
HUANG, Z. et al. Deep PET reconstruction via uncertainty-aware generative adversarial network. Medical Image Analysis, v. 91, 102989, 2025.
MENZIES, D.; LASTORI, D. Advances in data modeling for PET image reconstruction. Computational Imaging Journal, v. 16, n. 2, p. 95–108, 2022.
READER, A. J.; PAN, T. Artificial intelligence in PET: opportunities and challenges. Nature Reviews Physics, v. 5, p. 10–24, 2023.
VERFAILLIE, M. et al. Challenges in PET resolution recovery: limitations of current PSF modeling. IEEE Transactions on Radiation and Plasma Medical Sciences, v. 7, n. 1, p. 56–65, 2023.
WEI, W. et al. Clinical adoption of artificial intelligence in precision oncology PET imaging. European Journal of Nuclear Medicine and Molecular Imaging, v. 50, p. 1123–1135, 2023.
YOSHIMURA, M. et al. Deep learning–based PET image enhancement using CNN. Journal of Nuclear Medicine, v. 63, n. 4, p. 662–670, 2022.