Un consorcio de seis entidades investigadoras, entre ellas la Universitat de Valencia (UV), ha desarrollado una innovadora técnica que optimiza las exploraciones de resonancia magnética (RM) del cerebro, haciéndolas “más sencillas, rápidas y de mayor calidad”, lo que facilita el diagnóstico de patologías neuronales. Así lo ha comunicado la institución académica.
La investigación, publicada en la revista Imaging Neuroscience, permite destacar con gran claridad lesiones comunes en dolencias como el Alzheimer, la esclerosis múltiple y los tumores cerebrales. Este método innovador utiliza una red neuronal profunda 3D para generar imágenes T2, las cuales son altamente sensibles a la presencia de agua, permitiendo así identificar edemas, inflamaciones o isquemias a partir de imágenes T1. Estas últimas proporcionan una representación anatómica detallada del cerebro, diferenciando nítidamente entre la sustancia blanca y la sustancia gris. De este modo, las imágenes T1 aportan la estructura, mientras que las T2 y FLAIR resaltan posibles alteraciones patológicas.
El proyecto estuvo coordinado por José V. Manjón, del grupo Medical Image Analysis (MIA-LAB) del Instituto ITACA de la Universitat Politècnica de Valencia (UPV). Participaron el Departamento de Psicobiología de la UV, el de Matemática Aplicada de la UPV, así como el Hospital Universitario y Politécnico La Fe, la Fundación para el Fomento de la Investigación Sanitaria y Biomédica de la Comunidad Valenciana (FISABIO-CIPF), el Centro Nacional para la Investigación Científica de Francia y la Universidad de Burdeos.
El Departamento de Psicobiología de la UV colaboró con expertos en informática médica para ofrecer una visión del sustrato neuropatológico, garantizando un correcto etiquetado de las imágenes procesadas por los algoritmos. Marien Gadea, especialista en neuropsicología y neuroimagen, explicó que “este método emplea técnicas de aprendizaje semisupervisado, donde el etiquetado de las imágenes es evaluado por expertos”.
El sistema combina información anatómica previa y utiliza técnicas de aprendizaje supervisado, aprovechando un pequeño número de imágenes médicas etiquetadas con un gran volumen de imágenes sin etiquetar, permitiendo entrenar modelos robustos sin la necesidad de bases de datos completamente anotadas. La participación de profesionales médicos, neurobiólogos, biólogos y anatomistas es crucial para el etiquetado de las imágenes a través de los algoritmos, aclarando dudas en el ámbito anatómico y clínico.
Este enfoque combina conocimientos anatómicos, estrategias específicas de entrenamiento y un método semisupervisado que mejora su capacidad de adaptación a diferentes pacientes y escáneres. Las pruebas de segmentación cerebral demostraron que supera a las técnicas más avanzadas en casos complejos, ofreciendo resultados en segundos, lo cual es ideal para su uso en entornos hospitalarios.
Sergio Morell, autor principal del estudio, subrayó que “en una exploración de RM, cada tipo de imagen aporta datos distintos, pero obtener todas estas imágenes puede alargar y encarecer la prueba. Nuestro sistema genera las imágenes faltantes a partir de las ya adquiridas, reduciendo tiempos y costos”.
El próximo objetivo del equipo es aplicar esta técnica a otras secuencias, como FLAIR (Fluid Attenuated Inversion Recovery), que elimina la señal del líquido cefalorraquídeo y resalta lesiones asociadas a enfermedades como el Alzheimer, la esclerosis múltiple y los tumores cerebrales.
El estudio recibió financiación del Ministerio de Ciencia, Innovación y Universidades de España y la Agencia Nacional de Investigación francesa. Se enmarca en el proyecto “Desarrollo de un software de análisis de imagen de RM cerebral multimodal de ultra-alta resolución para su aplicación a entornos clínicos”, co-dirigido por Marien Gadea y José V. Manjón.
