LowGAN: IA que mejora la calidad de RM de bajo campo para evaluar esclerosis múltiple

LowGAN se desarrolló a partir de un conjunto de datos pareados obtenidos entre octubre de 2020 y enero de 2022 en dos centros, con una validación adicional entre 2023 y 2024. Los investigadores emplearon escáneres portátiles de 64 mT y equipos convencionales de 3 T para adquirir secuencias T1, T2 y FLAIR en adultos con esclerosis múltiple. La arquitectura de red generativa adversarial aprendió la traducción de baja a alta intensidad de campo utilizando las imágenes de 3 T como referencia. El modelo genera tres contrastes simultáneamente y se evaluó tanto en calidad visual como mediante métricas cuantitativas como el índice de similitud estructural, la relación señal-ruido pico y la correlación cruzada normalizada. En comparación con métodos previos como SynthSR, LowGAN mostró mejor rendimiento en la mayoría de las regiones cerebrales para tareas de parcelación. El código está disponible en un repositorio público que permite su aplicación a datos de 64 mT en formato BIDS.

Las imágenes sintetizadas por LowGAN presentaron mayor conspicuidade de lesiones de sustancia blanca. El coeficiente de Dice entre las segmentaciones manuales realizadas en las imágenes de 3 T y las generadas aumentó de forma estadísticamente significativa respecto a las imágenes nativas de 64 mT. En el 78 % de los participantes el valor de Dice fue superior con LowGAN. Los volúmenes de estructuras como el córtex cerebral, tálamo y ventrículos laterales se aproximaron más a las mediciones de 3 T, sin diferencias significativas en el caso del córtex. Estas mejoras se atribuyen a la reducción del ruido de fondo y a la preservación de características de las lesiones sin introducir artefactos relevantes. Los autores señalan que la mayor similitud con las exploraciones de alto campo puede facilitar la monitorización de la carga lesional y la caracterización de la enfermedad.

Los sistemas de RM de bajo campo ofrecen ventajas en accesibilidad, coste y posibilidad de uso en entornos de atención ambulatoria o en zonas con recursos limitados. Sin embargo, su menor relación señal-ruido y resolución limitan la fiabilidad diagnóstica en patologías como la esclerosis múltiple. LowGAN aborda esta limitación al proporcionar imágenes sintéticas que conservan la información anatómica y lesional relevante. El estudio, realizado en un marco observacional multicéntrico, constituye una prueba de concepto que apoya la viabilidad de integrar algoritmos de síntesis en flujos de trabajo clínicos con RM portátil. Los resultados se publicaron en Radiology y han sido resumidos en medios especializados como Diagnostic Imaging.