Por Canuto  

Un modelo desarrollado por investigadores del MIT, Boston Children’s Hospital e Inria incorpora principios de simetría para seguir el movimiento fetal durante una resonancia. La propuesta busca reconstruir imágenes más completas del cerebro y facilitar que los radiólogos evalúen posibles anomalías, aunque todavía requiere trabajo para aplicarse a fetos más pequeños.
***

  • E(3)-Pose estima la posición de la cabeza fetal y busca ayudar a ajustar la adquisición de imágenes de resonancia magnética.
  • El modelo incorpora la simetría de la cabeza en su arquitectura, en lugar de depender únicamente de lo que aprende de los datos.
  • El equipo espera adaptar la herramienta a fetos del segundo trimestre o anteriores, una etapa en la que el movimiento dificulta aún más las exploraciones.

 

Un modelo desarrollado por investigadores del MIT, Boston Children’s Hospital e Inria busca mejorar la reconstrucción de imágenes del cerebro fetal durante una resonancia magnética. Su método incorpora principios de simetría para estimar la posición de la cabeza y podría ayudar a obtener exploraciones más completas, aunque los investigadores todavía trabajan para extenderlo a etapas más tempranas del embarazo.

El sistema, llamado E(3)-Pose, aborda un problema práctico de la imagenología prenatal: cuando el feto se mueve, las distintas secciones de una resonancia pueden quedar tomadas desde ángulos diferentes. Esa desalineación puede dejar zonas sin cobertura y dificultar que los radiólogos evalúen posibles alteraciones en el desarrollo cerebral.

El movimiento fetal complica la reconstrucción de imágenes

Durante una ecografía prenatal rutinaria, el personal médico puede identificar señales que aconsejen realizar una resonancia magnética adicional. La exploración permite examinar con más detalle el cerebro fetal, pero la calidad de la imagen y el movimiento durante el procedimiento pueden impedir que el radiólogo obtenga una vista completa y clara de las estructuras que necesita analizar.

Una resonancia fetal reúne una serie de imágenes bidimensionales, conocidas como secciones, que luego sirven para construir una representación tridimensional de la cabeza. Si el feto cambia de posición mientras el equipo captura esas imágenes, cada sección puede corresponder a una orientación distinta, con espacios vacíos o planos difíciles de interpretar en el volumen final.

Ramya Muthukrishnan, primera autora del trabajo y estudiante de doctorado en el MIT, explicó que el movimiento hace que las secciones queden dispersas y desordenadas. La consecuencia no es solo estética: sin una cobertura adecuada, el especialista podría no visualizar regiones importantes del cerebro y tener más dificultades para reconocer un desarrollo atípico.

La investigación parte de la importancia de contar con imágenes volumétricas de buena calidad para observar detalles finos. Según Muthukrishnan, los vacíos en la cobertura pueden ocultar zonas críticas, por lo que una reconstrucción más completa podría facilitar la evaluación médica; el material publicado no presenta cifras de precisión clínica ni resultados que permitan afirmar que el sistema ya evita diagnósticos equivocados.

La simetría se incorpora en el diseño de la IA

E(3)-Pose utiliza aprendizaje profundo para estimar la posición de la cabeza fetal, pero su rasgo distintivo está en cómo representa la geometría del problema. En lugar de dejar que la red neuronal aprenda todos los principios relevantes solo a partir de ejemplos, el modelo incorpora desde su arquitectura una propiedad física: la simetría izquierda-derecha de la cabeza fetal.

Esa estructura le ofrece al sistema una orientación previa para identificar cómo está posicionado el cerebro en las imágenes. Al reconocer con mayor consistencia la orientación, el modelo puede ayudar a ajustar la adquisición de la resonancia mientras el examen avanza y a organizar las distintas secciones en una reconstrucción más útil para su revisión.

La idea conecta conceptos geométricos como la simetría y la equivariancia con el aprendizaje profundo. Polina Golland, investigadora principal de la Abdul Latif Jameel Clinic for Machine Learning in Health del MIT y del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del instituto, describió el trabajo como una combinación de esos principios con cambios en la forma en que el escáner obtiene las imágenes.

El artículo sobre el proyecto se presentó en la Conferencia Europea de Visión por Computadora de 2026. La propuesta no consiste únicamente en analizar imágenes después del examen: los investigadores buscan que el modelo contribuya a orientar la adquisición durante la exploración, un enfoque que podría hacer menos dependiente el proceso de correcciones manuales lentas.

Un desarrollo con desafíos dentro y fuera del escáner

Muthukrishnan contó que, al iniciar el proyecto, su experiencia se concentraba principalmente en informática y no tenía formación en física de resonancia magnética. Llevar un modelo desde el entrenamiento en una GPU hasta su ejecución en un escáner implicó resolver problemas de hardware que, según relató, no se parecían a los del trabajo experimental con datos.

La investigadora también observó de cerca la frustración que puede generar una exploración incompleta. Recordó el caso de una paciente embarazada que pasó cerca de una hora en una resonancia y tuvo que abandonar el procedimiento antes de terminar, mientras el radiólogo se quedaba sin una imagen completa y de alta calidad para vigilar el desarrollo fetal.

El equipo reunió experiencia en aprendizaje automático, radiología y adquisición de imágenes. Borjan Gagoski, profesor asistente de radiología en Harvard Medical School e investigador de Boston Children’s Hospital, desarrolló una secuencia para adquirir resonancias adicionales útiles en el entrenamiento y colaboró con Muthukrishnan para resolver problemas técnicos del escáner.

Aryn Lee, asistente de investigación en Boston Children’s Hospital, reclutó a las voluntarias embarazadas y colaboró en la adquisición de las resonancias. Entre quienes guiaron el proyecto figuran Elfar Adalsteinsson, profesor de ingeniería eléctrica y computación del MIT; Ellen Grant, profesora Käthe Beutler de Pediatría y profesora de radiología en Harvard Medical School; y Golland. Benjamin Billot, investigador de Inria y antiguo investigador posdoctoral en el grupo de Golland, ayudó a Muthukrishnan a iniciar el método.

La siguiente meta: imágenes en etapas más tempranas

El equipo plantea que E(3)-Pose podría automatizar parte del proceso de resonancia cerebral fetal, reemplazando tareas manuales por exploraciones más rápidas y cómodas para las madres, además de generar imágenes de mayor calidad para que los radiólogos las interpreten. Esa expectativa fue expresada por Grant, quien dirige el Centro de Neuroimagen Fetal Neonatal y Ciencias del Desarrollo de Boston Children’s Hospital; no equivale, por sí sola, a una validación clínica de esos beneficios.

Por ahora, el modelo se entrenó principalmente con imágenes de fetos en el tercer trimestre. Muthukrishnan espera mejorar la herramienta para que también pueda trabajar con fetos del segundo trimestre o anteriores, una ampliación que exigiría afrontar imágenes de estructuras más pequeñas y movimientos más amplios dentro del útero.

La investigadora señaló que los fetos del segundo trimestre pueden moverse más porque disponen de más espacio en el útero, lo que vuelve más exigente el seguimiento. También destacó la importancia de investigar esa etapa porque detectar antes una anomalía cerebral puede facilitar la intervención, aunque la fuente no detalla tratamientos específicos ni resultados clínicos asociados con E(3)-Pose.

Los posibles usos no se limitan a la resonancia fetal: los autores consideran que el enfoque podría servir para visualizar otras anatomías difíciles y para aplicaciones de conducción autónoma, donde sensores limitados deben interpretar datos tridimensionales ruidosos y seguir objetos en movimiento. El proyecto recibió apoyo de la Jameel Clinic del MIT, el Programa Takeda del MIT, el Fondo de Investigación Transformadora de la Familia Chou, el Instituto Nacional de Imagen Biomédica y Bioingeniería y el Instituto Nacional de Salud Infantil y Desarrollo Humano Eunice Kennedy Shriver.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados