Mejora la exploración de enfermedades neurológicas

Investigadores del grupo Medical Image Analysis (MIA-LAB) del Instituto ITACA de la Universitat Politècnica de València (UPV), en colaboración con centros nacionales e internacionales, han desarrollado un método de inteligencia artificial capaz de sintetizar imágenes de resonancia magnética (RM) de alta calidad sin necesidad de realizar todas las secuencias habituales.

Este nuevo método permitirá realizar exploraciones de RM más rápidas, cómodas y económicas, contribuyendo así a mejorar la detección de enfermedades neurológicas. El siguiente reto del equipo es extender la técnica a otras secuencias como FLAIR (Fluid Attenuated Inversion Recovery), una variante de las imágenes T2 que elimina la señal del líquido cefalorraquídeo y permite resaltar con gran claridad lesiones asociadas a enfermedades como el Alzheimer, la esclerosis múltiple o los tumores cerebrales.

El trabajo, publicado en la revista Imaging Neuroscience, ha sido liderado por José V. Manjón, Sergio Morell-Ortegay Marina Ruiz-Pérez.

Red neuronal profunda en 3D

Este nuevo método desarrollado en los laboratorios de ITACA-UPV se basa en una red neuronal profunda 3D que genera imágenes T2 —muy sensibles a la presencia de agua, lo que permite detectar edemas, inflamaciones o isquemias— a partir de imágenes T1, que proporcionan una representación anatómica detallada del cerebro y permiten diferenciar con gran nitidez la sustancia blanca de la sustancia gris. De este modo, las imágenes T1 aportan la “estructura”, mientras que las T2 y FLAIR resaltan las posibles alteraciones patológicas.

Para ello, el sistema integra información anatómica previa y emplea técnicas de aprendizaje semisupervisado, un enfoque de inteligencia artificial que combina un reducido número de imágenes médicas etiquetadas por especialistas con un gran volumen de imágenes sin etiquetar, lo que permite entrenar modelos potentes sin necesidad de disponer de bases de datos completamente anotadas.

“En una exploración de RM, cada tipo de imagen aporta información distinta del cerebro, pero obtenerlas todas alarga la prueba, encarece el proceso y puede resultar incómodo. Nuestro sistema permite generar las imágenes que faltan a partir de las ya adquiridas, reduciendo tiempo y recursos”, explica Sergio Morell, autor principal del estudio.

Innovación y validación internacional

El método liderado por los investigadores de la UPV combina conocimientos anatómicos reales, estrategias de entrenamiento específicas y un enfoque semisupervisado que mejora su capacidad de generalización en distintos pacientes y escáneres. En pruebas de segmentación cerebral, superó a las técnicas más avanzadas disponibles, incluso en casos complejos como cerebros con lesiones o gran variabilidad anatómica. Además, genera los resultados en cuestión de segundos, lo que facilita su aplicación en entornos hospitalarios.

El estudio ha contado con la participación de Marina Ruiz-Pérez, Marien Gadea, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Mariam de la Iglesia-Vayá, así como investigadores de la Universidad de Burdeos y el CNRS. Ha sido financiado por el Ministerio de Ciencia, Innovación y Universidades de España y la Agencia Nacional de Investigación francesa.

Referencia

Sergio Morell-Ortega, Marina Ruiz-Perez, Marien Gadea, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Mariam de la Iglesia-Vaya, Thomas Tourdias, Boris Mansencal, Pierrick Coupé, José V. Manjón. Robust deep MRI contrast synthesis using a prior-based and task-oriented 3D network. Imaging Neuroscience.

https://direct.mit.edu/imag/article/doi/10.1162/IMAG.a.116/132106/Robust-deep-MRI-contrast-synthesis-using-a-prior