Inteligência Artificial na Redução de Artefatos em Tomografia Computadorizada

A tomografia computadorizada (TC) consolida-se como um dos pilares do diagnóstico por imagem contemporâneo, permitindo avaliações rápidas, tridimensionais e de alta resolução espacial de diversas estruturas anatômicas. Contudo, a qualidade das imagens geradas é frequentemente degradada pela presença de artefatos, como endurecimento do feixe, efeitos de borda, ruído eletrônico e, de forma proeminente, artefatos metálicos decorrentes de próteses, implantes dentários e materiais de síntese cirúrgica. Essas distorções de sinal obscurecem estruturas adjacentes, mimetizam patologias ou ocultam lesões reais, comprometendo a acurácia diagnóstica e dificultando o planejamento de terapias oncológicas ou cirúrgicas. Tradicionalmente, algoritmos de reconstrução iterativa e filtros físicos foram empregados para mitigar esses problemas, mas frequentemente ao custo de perda de resolução de contraste e introdução de novos ruídos人工. Nesse cenário, a inteligência artificial (IA), especialmente por meio de arquiteturas de aprendizado profundo (deep learning) como as redes neurais convolucionais (CNNs) e as redes adversárias generativas (GANs), desponta como uma abordagem revolucionária para a correção inteligente e automatizada dessas distorções. O presente estudo tem como objetivo realizar uma revisão sistemática da literatura científica brasileira para mapear e analisar os fundamentos metodológicos e as aplicações clínicas da inteligência artificial na redução de artefatos em imagens de tomografia computadorizada. Conduzida sob a égide das diretrizes PRISMA, a busca bibliográfica englobou publicações indexadas nas bases de dados SciELO, LILACS e PubMed ocorridas entre os anos de 2018 e 2026. Os resultados revelam que os modelos baseados em aprendizado profundo conseguem reconstruir dados de projeção perdidos e suavizar as transições de atenuação sem comprometer a nitidez das bordas teciduais, superando significativamente as técnicas de interpolação linear e os softwares de redução de artefatos metálicos (MAR) convencionais. Conclui-se que a IA representa uma ferramenta disruptiva capaz de otimizar o fluxo de trabalho radiológico no cenário brasileiro, elevando a qualidade diagnóstica ao mesmo tempo em que permite a redução de dose de radiação ionizante administrada aos pacientes.