Herramienta de IA mejora RM fetal para diagnosticar anomalías cerebrales

La ecografía rutinaria puede detectar una posible anomalía, lo que da lugar a una resonancia magnética fetal de seguimiento, pero el movimiento de la cabeza durante la adquisición puede ocultar regiones críticas del cerebro en desarrollo. Para mejorar la visualización en estos casos, los investigadores han desarrollado un modelo de inteligencia artificial diseñado para que la resonancia magnética fetal sea más fiable.

Desarrollado por investigadores del MIT, el Hospital Infantil de Boston y Inria, el modelo de aprendizaje profundo E(3)-Pose ayuda a producir imágenes de alta resolución de la cabeza fetal a pesar del movimiento durante la exploración. Aborda un desafío habitual en la resonancia magnética fetal: alinear múltiples cortes de imagen bidimensionales para reconstruir una vista tridimensional. Al mejorar esta alineación, el enfoque pretende ofrecer a los radiólogos imágenes más nítidas para respaldar un diagnóstico más temprano y preciso de anomalías del desarrollo.

E(3)-Pose incorpora principios físicos directamente en su red neuronal, integrando la simetría izquierda-derecha de la cabeza fetal en la arquitectura del modelo. Este diseño ayuda al sistema a determinar la orientación del cerebro a medida que el feto se mueve, complementando lo que aprende a partir de los datos de entrenamiento. Se espera que unas estimaciones de orientación más fiables mejoren la alineación de los cortes adquiridos desde ángulos inusuales y reduzcan los huecos en la imagen reconstruida.

El trabajo se presentó en la Conferencia Europea de Visión por Computador de 2026. Un artículo sobre el método está disponible en el servidor de prepublicaciones arXiv. El proyecto contó con la participación del MIT, el Hospital Infantil de Boston, la Escuela de Medicina de Harvard e Inria. El modelo se centra actualmente principalmente en fetos del tercer trimestre, y el desarrollo futuro apunta a mejorar la obtención de imágenes de fetos del segundo trimestre o más jóvenes.

El mismo enfoque de seguimiento del movimiento también podría ser relevante para otra anatomía que es difícil de obtener en imágenes. Los investigadores también señalaron posibles aplicaciones fuera de la medicina, incluidos sistemas que deben seguir objetos tridimensionales a partir de datos de sensores limitados y ruidosos.

Enlaces relacionados
MIT
Hospital Infantil de Boston