Algoritmo de aprendizaje profundo realiza segmentación automática de cerebros neonatales a partir de imágenes de resonancia magnética

La resonancia magnética (RMN) es una herramienta vital en el diagnóstico médico, particularmente debido a sus imágenes de alta resolución y contraste superior de los tejidos blandos, que la hacen crucial para evaluaciones cerebrales. Esta técnica de imágenes es particularmente vital para los recién nacidos, especialmente para evaluar la encefalopatía neonatal, donde ayuda a comprender la presencia y el patrón de lesiones cerebrales para un mejor pronóstico y planificación del tratamiento. La integración de la inteligencia artificial (IA) y el aprendizaje automático (ML) ha mejorado significativamente la precisión predictiva de los resultados funcionales en bebés utilizando datos de resonancia magnética. Un paso crucial en la preparación de datos para el análisis de ML de la resonancia magnética cerebral es la extracción del cerebro o la extracción del cráneo. Sin embargo, el desarrollo de algoritmos de extracción de cerebros neonatales ha sido limitado. Para abordar esta brecha, los investigadores han introducido un algoritmo automatizado basado en aprendizaje profundo para la extracción de resonancia magnética cerebral neonatal.

Un esfuerzo de colaboración entre investigadores de la Universidad de California en San Francisco (UCSF) y el Centro Médico de la Universidad de Duke (Durham, Carolina del Norte, EUA) ha llevado a la creación de ANUBEX. Este algoritmo de aprendizaje profundo está diseñado específicamente para la segmentación automática de cerebros neonatales a partir de exploraciones por resonancia magnética. El desarrollo de ANUBEX, un extractor automatizado de resonancia magnética cerebral nnU-Net neonatal, utilizó varias secuencias de resonancia magnética, como imágenes ponderadas en T1, ponderadas en T2 y ponderadas por difusión (DWI) de estudios de resonancia magnética neonatal.

Los investigadores descubrieron que ANUBEX mantiene un rendimiento constante cuando se entrena en exploraciones de resonancia magnética independientes de la secuencia o con movimiento degradado, aunque mostró una efectividad ligeramente menor en cerebros prematuros. El enfoque basado en el aprendizaje profundo de ANUBEX ha demostrado un rendimiento preciso en resonancias magnéticas de alta y baja resolución, ofreciendo un procesamiento computacional rápido. Esta precisión en la segmentación del tejido cerebral es crucial para el análisis de imágenes y las mediciones volumétricas posteriores. Las direcciones futuras de esta investigación incluyen ampliar la evaluación de la precisión de ANUBEX más allá del rango de edad neonatal para incluir a niños pequeños y adultos. Además, es necesario evaluar la eficacia del modelo en cerebros con diversas patologías estructurales.

Enlaces relacionados:
UCSF
Centro Médico de la Universidad de Duke