Un innovador método de inteligencia artificial desarrollado por seis entidades, incluida la Universitat de València, mejora la exploración radiológica del cerebro, facilitando el diagnóstico de enfermedades neurológicas.
Un avance significativo en la exploración radiológica ha sido logrado gracias a un equipo de investigación que incluye a la Universitat de València (UV). Este nuevo procedimiento promete transformar la manera en que se realizan las exploraciones de resonancia magnética (RM) del cerebro, haciéndolas más sencillas, rápidas y con una calidad superior. Este desarrollo facilitará el diagnóstico de diversas patologías neuronales y ha sido publicado en la revista Imaging Neuroscience.
El innovador método se basa en una red neuronal profunda 3D que genera imágenes T2, las cuales son altamente sensibles a la presencia de agua, permitiendo así detectar edemas, inflamaciones o isquemias. Estas imágenes se producen a partir de imágenes T1 que ofrecen una representación anatómica detallada del cerebro, diferenciando claramente entre sustancia blanca y sustancia gris. Mientras que las imágenes T1 proporcionan la estructura cerebral, las T2 y FLAIR destacan posibles alteraciones patológicas.
La coordinación de esta investigación estuvo a cargo de José V. Manjón, del grupo Medical Image Analysis (MIA-LAB) del Instituto ITACA de la Universitat Politècnica de València (UPV). Además de la UV, participaron el Departamento de Matemática Aplicada (UPV), el Hospital Universitario y Politécnico La Fe, así como otras entidades como la Fundación para el Fomento de la Investigación Sanitaria y Biomédica de la Comunidad Valenciana (FISABIO-CIPF) y el Centro Nacional para la Investigación Científica de Francia.
Marian Gadea, investigadora del Departamento de Psicobiología de la UV, destacó que este método utiliza técnicas de aprendizaje semisupervisado. Esto implica que el etiquetado previo de las imágenes es evaluado por expertos antes de ser utilizado por los algoritmos. Esta colaboración es esencial para garantizar un etiquetado preciso y efectivo.
El sistema combina información anatómica previa con técnicas avanzadas de aprendizaje supervisado. Este enfoque permite entrenar modelos potentes utilizando un número reducido de imágenes médicas etiquetadas junto con un gran volumen sin etiquetar. De este modo, se logran resultados precisos sin necesidad de bases de datos completamente anotadas.
La participación activa del personal médico es crucial en este proceso. Según Gadea, los neurobiólogos y anatomistas ayudan a aclarar dudas sobre el mundo anatómico y clínico real, lo cual es fundamental para optimizar el etiquetado durante el análisis por parte de los algoritmos.
Este método no solo combina conocimientos anatómicos reales sino que también mejora su capacidad para generalizarse entre diferentes pacientes y escáneres. En pruebas realizadas sobre segmentación cerebral, superó incluso a las tecnologías más avanzadas disponibles actualmente, mostrando eficacia en casos complejos como cerebros con lesiones o variabilidad anatómica significativa. Lo más impresionante es que genera resultados en cuestión de segundos, lo cual simplifica su implementación en hospitales.
Sergio Morell, autor principal del estudio, explicó: “En una exploración RM, cada tipo de imagen aporta información diferente sobre el cerebro; obtener todas alarga el proceso y puede resultar incómodo. Nuestro sistema permite generar las imágenes faltantes a partir de las ya adquiridas, optimizando tiempos y recursos”.
El equipo ahora se enfrenta al reto de extender esta técnica a otras secuencias como FLAIR (Fluid Attenuated Inversion Recovery). Esta variante permite eliminar señales del líquido cefalorraquídeo y resaltar lesiones asociadas a enfermedades como Alzheimer o esclerosis múltiple.
Dicha investigación ha recibido financiación del Ministerio de Ciencia, Innovación y Universidades español así como por la Agencia Nacional de Investigación francesa. Forma parte del proyecto titulado “Desarrollo de un software para análisis multimodal ultra-alta resolución”, dirigido por Marien Gadea junto con José V. Manjón.
Referencias:
Sergio Morell-Ortega et al.; Robust deep MRI contrast synthesis using a prior-based and task-oriented 3D network. Imaging Neuroscience 2025; 3 IMAG.a.116. doi: https://doi.org/10.1162/IMAG.a.116