Se han implementado muchas nuevas técnicas de reconstrucción para permitir exámenes de TC de baja dosis. Tales técnicas de reconstrucción exhiben propiedades no lineales, lo que refuerza la necesidad de una medida basada en tareas de calidad de imagen. El observador de Hotelling (HO) es el observador lineal óptimo y proporciona un límite inferior del rendimiento de detección del observador ideal bayesiano. Sin embargo, su complejidad computacional dificulta su uso práctico generalizado. Para abordar este problema, propusimos un observador de modelo basado en aprendizaje auto-supervisado (SSL) para proporcionar estimaciones precisas del rendimiento de HO en imágenes de TC de tórax de muy baja dosis. Nuestro enfoque involucró un modelo de dos etapas que combina un auto-codificador de eliminación de ruido convolucional (CDAE) para extracción de características y reducción de dimensionalidad y una máquina de vectores de soporte para clasificación. Para evaluar este enfoque, llevamos a cabo tareas de detección de señales empleando imágenes de TC de tórax con diferentes estructuras de ruido generadas por simulaciones basadas en computadora. Comparamos este enfoque con dos métodos basados en aprendizaje supervisado: una red neuronal de una sola capa (SLNN) y una red neuronal convolucional (CNN). Los resultados mostraron que el modelo basado en CDAE pudo lograr un rendimiento de detección similar al de HO. Además, superó tanto a SLNN como a CNN cuando se consideró un número reducido de imágenes de entrenamiento. El enfoque propuesto promete optimizar los protocolos de TC de baja dosis en plataformas de escáner.