NOTICIAS
volver a Inicio  

   Personal investigador de Fisabio desarrolla una herramienta que mejora la interpretación de Resonancias Magnéticas de médula espinal
  • Esta tecnología facilitará a los servicios de radiología la inspección de imágenes de resonancias magnéticas y mejorará el diagnóstico
     
  • El método propuesto tiene la capacidad de detectar automáticamente elementos como vértebras, nervios o vasos sanguíneos, entre otros

Un proyecto de la Unidad Mixta de Imagen Biomédica de la Fundació per al Foment de la Investigació Sanitària i Biomèdica (Fisabio) y del Centro de Investigación Príncipe Felipe (CIPF) ha desarrollado un software que mejora la detección automática de las estructuras anatómicas de las imágenes de resonancias magnéticas de la médula espinal.

Los métodos actuales no tienen la capacidad de detectar elementos como vertebras, discos intervertebrales, nervios o vasos sanguíneos, entre otros. Por eso, el objetivo principal de la investigación ha sido resolver estos problemas que se derivan del uso de la segmentación automática de las imágenes de resonancias magnéticas.

La segmentación semántica consiste en el uso de un algoritmo capaz de asociar una categoría a cada píxel presente en una imagen. En este caso, sirve para que diferencie los píxeles de una imagen que corresponden a las vértebras, los que corresponden a los nervios, etc.

Jhon Jairo Saénz Gamboa, autor principal del artículo, explica que "la alta prevalencia de la lumbalgia y el gran detalle anatómico que ofrece la resonancia magnética de la columna lumbar hace que sea una herramienta valiosa en la detección de anormalidades óseas y de la médula espinal. En este sentido el método utilizado para destacar las estructuras, órganos o patologías de interés es la segmentación".

El artículo llamado "Automatic Semantic Segmentation of Structural Elements related to the Spinal Cord in the Lumbar Region by Using Convolutional Neural Networks" fue presentado por Jhon Jairo Sáenz Gamboa, María de la Iglesia-Vayá, y Jon Ander Gómez Adrián en la 25th International Conference on Pattern Recognition. Se trata de una de las principales conferencias mundiales sobre avances en los campos de reconocimiento de patrones, aprendizaje automático y visión por computadora.

Actualmente, el procedimiento para analizar imágenes de resonancias magnéticas de la médula espinal es, primero, que una persona especialista en radiología las inspeccione. Luego, si para mejorar el diagnóstico se necesita una segmentación semántica, esta tiene que ser realizada por un ingeniero y científico de datos formado por personas especialistas en radiología.

"Este modo de interpretación de imágenes es lento y está sujeto a variabilidad según el observador. Por este motivo, ha surgido gran interés en el desarrollo de métodos automáticos capaces de detectar y cuantificar de manera fiable las estructuras y tejidos de la columna vertebral. Así, se pretende facilitar a los servicios de radiología la inspección de estas imágenes, incrementar la seguridad del diagnóstico y reducir el tiempo necesario", afirma Jhon Jairo.

El estudio ha solucionado algunos de los problemas que se había propuesto mejorar. Por ejemplo, ha logrado una segmentación semántica de alta calidad que puede usarse como punto de partida para segmentar más resonancias magnéticas manualmente.

Además, el investigador asegura que "la detección automática de las estructuras vertebrales facilitará los diagnósticos basados en la patogénesis (consideración de todos los elementos involucrados en la evolución de una enfermedad) gracias a la inclusión de hallazgos estructurales en regiones vecinas interdependientes."

Jhon Jairo Saenz, investigador de la Unidad Mixta de Imagen Biomédica de Fisabio y el  CIPF

El descubrimiento de correlaciones estructurales ayudará a encontrar los vínculos patológicos necesarios para comprender las enfermedades de la columna vertebral y conducir a tratamientos novedosos.

Este trabajo podría mejorar "la sensibilidad en la interpretación de las imágenes de resonancia magnética de pacientes con lesiones medulares que tendría una gran relevancia diagnóstica y de prognosis en la evolución de las lesiones en respuesta a los tratamientos" tal y como comenta Victoria Moreno, líder del grupo de Regeneración Neuronal y Tisular del CIPF, donde investiga nuevas terapias para el tratamiento de este tipo de lesiones.    

Redes Neuronales Convolucionales

La tecnología propuesta en este trabajo se basa en la aplicación de redes neuronales convolucionales (CNN). Las redes neuronales convolucionales son un algoritmo de "Deep Learning" que está diseñado para trabajar con imágenes: las toma como entrada y asigna importancia a ciertos elementos en la propia imagen para así poder diferenciar unos de otros.


El autor principal del artículo, Jhon Jairo, afirma que "nuestro sistema realiza una segmentación semántica de alta calidad que detecta hasta 11 estructuras distintas de la región lumbar, mientras que los algoritmos existentes actualmente se centran en segmentar automáticamente solo las vértebras o los discos."

La segmentación simultánea de múltiples estructuras diferentes tiene una gran importancia clínica porque permite establecer correlaciones patológicas al considerar las afecciones de diferentes zonas.

Las arquitecturas propuestas basadas en CNN han sido testadas en un conjunto de imágenes de resonancias magnéticas lumbares solicitadas al Banco de Imágenes Médicas de la Comunitat Valenciana (BIMCV). Estas imágenes pertenecen a 75 casos de estudio, de los cuales 41 son mujeres y 34 hombres.

Este trabajo se desarrolla en el marco del proyecto MIDAS ("Massive Image Data Anatomy Spine") bajo la dirección y supervisión de Dr. Julio Domenech, jefe de Servicio de cirugía ortopédica del Hospital Arnau de Vilanova y el Dr. Antonio Alonso Manjarrés, médico especialista en Radiodiagnóstico e Intervencionismo Musculoesquelético del Hospital Arnau de Vilanova.

Esta actuación está cofinanciada por la Unión Europea a través del Programa Operativo del Fondo Europeo de Desarrollo Regional (FEDER) de la Comunitat Valenciana 2014-2020. Cuenta con el apoyo de la Conselleria de Sanidad Universal y Salud Pública, está subvencionado por la Conselleria de Educación, Cultura y Deporte (beca ACIF/2018/285). Además, es parte de los casos de uso del proyecto europeo DeepHealth.


>>>>>
<<<<<