Utilizan la inteligencia artificial para mejorar la resolución de imágenes de resonancia magnética del cerebro
El método diseñado por investigadores de la Universidad de Málaga permite detectar patologías con mayor precisión y nitidez, sin necesidad de pruebas complementarias. Se trata de un nuevo modelo que ha permitido que las imágenes pasen de baja resolución a alta, sin distorsionar las estructuras cerebrales de los pacientes, utilizando una red neuronal artificial profunda –modelo inspirado en el funcionamiento del cerebro humano- que ‘aprende’ este proceso.
Fuente: Universidad de Málaga
Investigadores del Grupo ICAI -Inteligencia Computacional y Análisis de Imágenes- de la Universidad de Málaga han diseñado un método inédito capaz de mejorar las imágenes del cerebro obtenidas por resonancia magnética usando la inteligencia artificial.
Este método permite detectar patologías con mayor precisión y nitidez, sin necesidad de pruebas complementarias.
Se trata de un nuevo modelo que ha permitido que las imágenes pasen de baja resolución a alta, sin distorsionar las estructuras cerebrales de los pacientes, utilizando una red neuronal artificial profunda –modelo inspirado en el funcionamiento del cerebro humano- que ‘aprende’ este proceso.
“El aprendizaje profundo está basado en redes neuronales muy extensas, con lo que su capacidad para aprender lo es también, alcanzando la complejidad y abstracción de un cerebro”, explica el investigador Karl Thurnhofer, autor principal de este estudio, que señala que gracias a esta técnica se pueden realizar tareas de identificación por sí mismas, sin supervisión, de las que ni el ojo humano sería capaz.
Karl Thurnhofer, autor principal de este estudio.
Este avance investigador ha sido publicado por la revista científica ‘Neurocomputing’, que recoge como el algoritmo desarrollado en la UMA obtiene resultados de mayor precisión en menos tiempo, con claros beneficios para los pacientes. “Hasta ahora la adquisición de imágenes cerebrales de calidad dependían del tiempo que el paciente estuviera inmovilizado en el escáner, con nuestro método el procesamiento de la imagen se hace posteriormente en el ordenador”, aclara Thurnhofer.
Según los expertos, los resultados permitirán a los especialistas identificar de forma más nítida y precisa patologías relacionadas con el cerebro como lesiones físicas, cánceres o trastornos del lenguaje, entre otras, ya que los detalles de las imágenes son más finos, evitando así tener que recurrir a pruebas complementarias ante diagnósticos dudosos.
El Grupo ICAI de la UMA, que dirige el catedrático Ezequiel López, también autor de este trabajo, es hoy referente en neurocomputación, aprendizaje computacional e inteligencia artificial. Los profesores del Departamento de Lenguajes y Ciencias de la Computación Enrique Domínguez y Rafael Luque, así como la investigadora Núria Roé-Vellvé, también han participado en el estudio.
Últimas publicaciones
Este trabajo de la Universidad de Córdoba aporta nuevos datos sobre el papel que la ciudad romana de Mellaria (Fuente Obejuna, Córdoba) jugó en las redes comerciales de Hispania. La investigación documenta infraestructuras hidráulicas y viarias de gran entidad y demuestra que la ciudad mantuvo intensas conexiones comerciales entre los siglos I y II d. C., antes de experimentar una progresiva transformación económica en la Antigüedad tardía.
Sigue leyendo
El consorcio internacional del proyecto HERACLES, respaldado por la Unión Europea a través del programa Interreg NEXT MED y en el que participa la Universidad de Huelva, advierte que la globalización y la alteración de los ecosistemas harán que estas crisis sean cada vez más frecuentes. Sin embargo, recalcan que la tecnología para intentar evitar que estos brotes se conviertan en pandemias ya está en desarrollo.
Sigue leyendo
Un equipo de investigación de la Universidad de Málaga y el Instituto de Hortofruticultura Subtropical y Mediterránea ‘La Mayora’ ha evaluado cómo influyen las interacciones entre genética y entorno en la calidad de este fruto. Los resultados de este estudio demuestran que no se comportan igual según el ambiente en el que se cultivan. Para ello, han combinado modelos matemáticos y datos biomoleculares con la finalidad de mejorar los programas de producción y obtener nuevas variedades más sabrosas y resistentes.
