La tomografía de impedancia eléctrica torácica (EIT) proporciona imágenes en tiempo real junto a la cama de la función pulmonar y ha demostrado un valor clínico significativo en la guía de estrategias de tratamiento para pacientes críticamente enfermos. Sin embargo, la aplicación práctica de EIT sigue siendo desafiante debido a su susceptibilidad a perturbaciones en las mediciones, como problemas de contacto de electrodos y movimiento del paciente. Estas perturbaciones a menudo se manifiestan como ruido en forma de pico que puede degradar severamente la calidad de la imagen de EIT. Para abordar este problema, proponemos un enfoque basado en Análisis de Componentes Principales Robustas (RPCA) que modela los datos de EIT como la suma de una matriz de rango bajo y una matriz dispersa. La matriz de rango bajo captura las señales fisiológicas subyacentes, mientras que la matriz dispersa contiene componentes de ruido en forma de pico. En estudios de simulación considerando diferentes magnitudes, anchos y canales de picos, todos los coeficientes de correlación de imagen entre las imágenes procesadas por RPCA y la verdad de referencia superaron 0.99, y el error de imagen de la imagen original de fEIT con ruido en forma de pico fue mucho mayor que después del procesamiento por RPCA. En ocho casos de pacientes, RPCA mejoró significativamente la calidad de la imagen (error de imagen: < 0.001; coeficiente de correlación de imagen: < 0.001) y mejoró la precisión de los índices clínicos basados en EIT (< 0.001). Por lo tanto, concluimos que RPCA es una técnica prometedora para reducir el ruido en forma de pico en los datos clínicos de EIT, mejorando así la calidad de los datos y facilitando potencialmente una aplicación clínica más amplia de EIT.