Resonancia Magnética

El G2PI investiga en aplicaciones del aprendizaje máquina en imagen por resonancia magnética (MRI) del cerebro humano. Una de las aplicaciones es la MRI espectroscópica, donde se pretende detectar con métodos espectrales los niveles de metabolitos en el cerebro, lo que es útil para la caracterización de ciertas enfermendades mentales. 

Interfaz gráfica para el posicionamiento automático de bandas de saturación para MRSI

En esta aplicación es necesario atenuar la influencia del espectro del lípido alrededor del cerebro para evitar que este emborrone el de los metabolitos. Esto se consigue posicionando bandas de campo sobre los lípidos para aumentar su frecuencia de resonancia y así alejarlos del espectro de los metabolitos. El proceso de posicionado es manual, y sólo se consiguen buenos resultados en dos dimensiones, siendo muy tedioso y lento en tres dimensiones, donde se deben colocar hasta 16 bandas alrededor del cerebro. 

El G2PI, en colaboración con el MIND Imaging Center (EE.UU.) y otros centros, desarrolló una técnica para posicionar de forma completamente automática y rápida entre 6 y 16 bandas de campo magnético, consiguiendo una alta eficiencia a través de un criterio objetivo de la calidad de posicionamiento. Se desarrolló una aplicación gráfica en Matlab (imagen a la izquierda) y se llevaron a cabo diversos experimentos MRIS in vivo en tres dimensiones, algo que no se había conseguido hasta ese momento. Los resultados y algoritmos propuestos pueden verse en los artículos de Martinez et al, 2010 y Yung et al., 2011, ambos en Magnetic Resonance in Medicine.

Interfaz gráfica para el posicionamiento automático de bandas de saturación para MRSI

El grupo, en colaboración con el MIND Institute, ha desarrollado también diversas aplicaciones del aprendizaje máquina en detección de estímulos sensorimotores y emocionales en imágenes de MRI funcional (fMRI), con la particularidad de que nuestros métodos son capaces de detectar qué áreas del cerebro son relevantes para la detección de esos estímulos y actividades. Uno de los artículos (Martinez et al. 2006, Neuroimage), en colaboración también con The University of New Mexico (EE.UU) aplica máquinas SVM y boosting a la detección automática de áreas funcionales involucradas en determinadas tareas sensorimotoras. 

Posteriormente, el consorcio publicó un desarrollo capaz de llevar a cabo estas tareas en tiempo real (Zheng, 2012). Se desarrolló asimismo una aplicación gráfica para llevar a cabo el proceso de entrenamiento y detección.

Interfaz gráfica para el posicionamiento automático de bandas de saturación para MRSI

El grupo tiene experiencia en el uso de técnicas de aprendizaje para clasificación y caracterización de desórdenes mentales como la esquizofrenia y el transtorno obsesivo compulsivo (TOC). En ambas aplicaciones se utilizan técnicas que permiten determinar qué áreas o zonas del cerebro contienen información acerca de las patologías, utiliando para ello imágenes multimodales fMRI (esquizofrenia) (véase Castro et al. 2011, Neuroimage) o bien imágenes de MRI estructural (sMRI) (Parrado et al., en preparación). La esquizofrenia queda caracterizada mediante un conjunto de áreas estructurales y funcionales a partir de mapas estándar (MNI, AAL). En el caso del TOC, se utilizan técnicas de selección de vóxels que permiten determinar unas 40 zonas del cerebro involucradas en el transtorno, que caracterizan a los pacientes y son consistentes con los conocimientos clínicos previos acerca de la patología.

 Mapa de regiones relevantes para la clasificación de esquizofrenia

En el ámbito del cartografiado cerebral (conocido como Brain Mapping), se está trabajando en alternativas a los métodos estándard basados en el SPM de Friston. Estos métodos alternativos están basados en el uso de técnicas de información mutua (véase Gómez-Verdejo et al, 2012, Medical Image Analysis), independencia estadística, procesos gaussianos y núcleos de Mercer en general. 

Detección de actividad motora con SPM e Información Mutua