Un equipo de la Universitat Politècnica de València (UPV) ha liderado el desarrollo de 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 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 (UV), 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 —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.
El Departamento de Psicobiología de la UV ha trabajado conjuntamente con los especialistas de informática médica aportando una visión del sustrato neuropatológico, para garantizar un correcto etiquetado de las imágenes que serán trabajadas por los algoritmos. Marien Gadea, investigadora especializada en neuropsicología y neuroimagen, ha explicado: “este método utiliza técnicas de aprendizaje semisupervisado en el que el etiquetado previo de las imágenes que utiliza el modelo es sometido a juicio de valor por expertos”.
El sistema integra información anatómica previa y emplea técnicas de aprendizaje supervisado, un enfoque de inteligencia artificial que combina un reducido número de imágenes médicas etiquetadas por especialistas con un gran volumen de imágenes sin etiquetar. Este hecho permite entrenar modelos potentes sin necesidad de disponer de bases de datos completamente anotadas.
El personal médico, neurobiólogo, biólogo y anatomista es vital en la toma de decisiones sobre el etiquetado de las imágenes a través de los algoritmos porque “participan en la aclaración de dudas razonables del mundo anatómico y clínico real”, ha añadido Marien Gadea, experta en las relacionas cerebro-conducta. Este hecho le proporciona una sólida formación en el estudio e investigación de aquellos aspectos del sistema nervioso central (SNC) que tienen mayor relevancia funcional.
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 siguiente reto del equipo es extender la técnica a otras secuencias como FLAIR (Fluis 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 dolencias como el Alzheimer, la esclerosis múltiple o los tumores cerebrales.
Este estudio ha sido financiado por el Ministerio de Ciencia, Innovación y Universidades de España y la Agencia Nacional de Investigación francesa y forma parte del proyecto Desarrollo de un software de análisis de imagen de RM cerebral multimodal de ultra-alta resolución para su aplicación a entornos clínicos, financiado por el Ministerio de Ciencia e innovación y la Agencia Estatal de Investigación (PID2023-152127OB-I00,), que Marien Gadea codirige en colaboración con José V. Manjón.
Referencia bibliográfica
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.
Fuente: UV/UPV