Herramienta de IA mejora el proceso de imágenes médicas en un 90%

La identificación precisa de distintas regiones dentro de estudios médicos, un proceso conocido como segmentación de imágenes médicas, es fundamental para el diagnóstico, la planificación quirúrgica y la investigación. Tradicionalmente, ha sido una tarea manual y laboriosa y, aunque los modelos de inteligencia artificial (IA) basados en redes neuronales convolucionales (U-Net) han revolucionado el proceso en los últimos años, requieren grandes conjuntos de datos y amplios recursos computacionales, especialmente para escaneos 3D complejos. Para superar este desafío, los investigadores han desarrollado un nuevo método de IA que alcanza la misma precisión que las U-net utilizando un 90% menos de parámetros.

El método de IA, denominado MetaSeg, ha sido desarrollado por investigadores de la Universidad Rice (Houston, TX, EUA) e introduce un enfoque novedoso basado en representaciones neuronales implícitas (INR, por sus siglas en inglés): redes que interpretan las imágenes médicas como funciones matemáticas continuas en lugar de cuadrículas fijas de píxeles.

A diferencia de los modelos convencionales, MetaSeg utiliza metaaprendizaje, una estrategia de "aprender a aprender" que permite una rápida adaptación a nuevos datos. Esto permite a MetaSeg analizar con rapidez imágenes médicas 2D o 3D nunca antes vistas, como resonancias magnéticas cerebrales, y delimitar con precisión las regiones anatómicas con una mínima demanda computacional.

En pruebas experimentales, MetaSeg segmentó con éxito imágenes de resonancia magnética cerebral con la misma precisión que las principales arquitecturas U-Net, pero con una fracción de los requisitos de entrenamiento. Esta eficiencia podría facilitar el acceso al análisis de imágenes médicas de alta calidad en entornos con recursos limitados.

“MetaSeg ofrece una perspectiva nueva y escalable en el campo de la segmentación de imágenes médicas, que durante una década ha estado dominado por los U-Net”, afirmó Guha Balakrishnan, autor corresponsal del estudio. "Nuestros resultados prometen hacer que la segmentación de imágenes médicas sea mucho más rentable, sin sacrificar el máximo rendimiento".

Enlaces relacionados:
Universidad Rice