Un equipo de la Universitat Politècnica de València (UPV) ha liderado el desarrollo de un método de inteligencia artificial. Es 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.
Extender técnica otras secuencias
El siguiente reto del equipo es extender la técnica a otras secuencias como FLAIR (Fluid Attenuated Inversion Recovery). Esta es una variante de las imágenes T2 que elimina la señal del líquido cefalorraquídeo. Así, 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 coordinado por el grupo Medical Image Analysis (MIA-LAB) del Instituto ITACA de la UPV. En él ha participado también personal investigador del departamento de Matemática Aplicada de la UPV, el departamento de Psicobiología de la Universitat de València. También el Área de Imagen Médica del Hospital Universitario y Politécnico La Fe, la Unidad Mixta de Imagen Biomédica (UMIB-IA) de Fisabio-CIPF, el Centro Nacional para la Investigación Científica de Francia y la Universidad de Burdeos.
Red neuronal profunda en 3D
Este nuevo método se basa en una red neuronal profunda 3D que genera imágenes T2. Estas imágenes son muy sensibles a la presencia de agua, por lo cual permiten detectar edemas, inflamaciones o isquemias. Son generadas a partir de imágenes T1, que proporcionan una representación anatómica detallada del cerebro. 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.
Información anatómica previa
Para ello, el sistema integra información anatómica previa. También emplea técnicas de aprendizaje semisupervisado. Este enfoque de inteligencia artificial combina un reducido número de imágenes médicas etiquetadas por especialistas con un gran volumen de imágenes sin etiquetar. Esto 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. Así, se reduce 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 y estrategias de entrenamiento específicas. Además, un enfoque semisupervisado 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 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 2025; 3 IMAG.a.116. doi: https://doi.org/10.1162/IMAG.a.116
