Un equipo de investigadores del Instituto de Neuroimagen e Informática Mark y Mary Stevens de la Escuela de Medicina Keck de USC ha presentado un innovador modelo de inteligencia artificial (IA) que promete mejorar la calidad de los mapas de conexiones cerebrales obtenidos a través de resonancias magnéticas de difusión. Este desarrollo, publicado en la revista Medical Image Analysis, se centra en áreas del cerebro donde las distorsiones en el campo magnético pueden provocar la pérdida de señal en las imágenes, específicamente en el tronco encefálico y la región orbitofrontal.
Desarrollo del modelo FOD-Diffusion
El modelo, denominado FOD-Diffusion, utiliza un enfoque de IA basado en un modelo de difusión, que genera imágenes a partir de ruido aleatorio y lo elimina gradualmente. Este método permite restaurar datos de distribuciones de orientación de fibras, que consisten en 45 mapas 3D interconectados del cerebro para cada escaneo. Cada mapa captura una parte del patrón de fibras, y el modelo se encarga de rellenar los vacíos utilizando la información de los tejidos circundantes.
Shuo Huang, coautor del estudio y becario postdoctoral en el Stevens INI, explicó que el modelo analiza el tejido intacto alrededor de las áreas con información faltante, estimando lo que probablemente debería estar presente. Este enfoque es crucial, ya que las resonancias magnéticas pueden presentar datos incompletos, similares a una fotografía con un rincón rasgado.
Resultados de la investigación
Para validar la precisión del modelo, los investigadores realizaron pruebas ocultando secciones del tronco encefálico en escaneos con mínima pérdida de señal. Los resultados mostraron que las direcciones principales de las fibras reconstruidas por el modelo diferían en un promedio de solo 1.4 grados de los datos originales, superando a otros seis enfoques de IA que presentaron diferencias de aproximadamente 4.5 grados.
Además, en un análisis de 1,172 participantes del UK Biobank, se observó que la información sobre las fibras del tronco encefálico corregida con herramientas estándar era significativamente más débil que en aquellos con mínima pérdida de señal. Sin embargo, tras la restauración de datos mediante el modelo de IA, esta diferencia dejó de ser significativa, lo que indica una mejora notable en la calidad de los mapas generados.
Implicaciones para la investigación futura
El modelo FOD-Diffusion no solo tiene el potencial de mejorar la calidad de los escaneos existentes, sino que también podría ser una herramienta valiosa para estudios futuros. Los investigadores planean aplicar este modelo a otros conjuntos de datos grandes, como la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer y el Estudio de Salud y Envejecimiento del Cerebro.
Arthur W. Toga, director del Stevens INI, subrayó la importancia de compartir este recurso abiertamente con la comunidad científica, lo que permitirá a otros investigadores fortalecer sus análisis en los grandes conjuntos de datos que son fundamentales para el avance del campo.
Este avance en la inteligencia artificial representa un paso significativo hacia la mejora de la neuroimagen, facilitando el estudio de cómo las conexiones cerebrales cambian con el envejecimiento y diversas patologías, lo que podría tener un impacto profundo en la comprensión y tratamiento de enfermedades neurológicas.
Fuente: Información elaborada a partir de la publicación original.
