Un nuevo estudio reduce errores en imágenes médicas con una técnica innovadora basada en IA.
Un equipo de investigación con sede en Málaga ha logrado optimizar una tarea crítica en el ámbito sanitario: la segmentación automática de imágenes médicas. Gracias al uso de inteligencia artificial avanzada, han conseguido reducir los errores en el análisis de imágenes complejas como resonancias magnéticas o tomografías.
El estudio, publicado en la revista Mathematics con el título «Improving Medical Image Segmentation Using Test-Time Augmentation with MedSAM«, ha sido liderado por el Dr. Ezequiel López Rubio, del grupo de Inteligencia Computacional y Análisis de Imágenes de IBIMA Plataforma BIONAND, y ha contado con la participación de la doctoranda jordana Wasfieh Nazzal y el investigador Dr. Karl Thurnhofer Hemsi.
¿Qué aporta este estudio?
La segmentación médica consiste en delimitar estructuras anatómicas o lesiones en imágenes médicas. Esta tarea, aunque vital para el diagnóstico y tratamiento de muchas enfermedades, presenta dificultades por la variabilidad y calidad de las imágenes.
El equipo ha combinado el modelo de IA MedSAM con una técnica conocida como Test-Time Augmentation (TTA), que introduce pequeñas transformaciones en las imágenes en el momento de ser analizadas. Esto permite al sistema ser más robusto frente a variaciones y mejorar la precisión en los contornos segmentados.
“La precisión en la segmentación de imágenes médicas es fundamental para mejorar los diagnósticos y tratamientos”, explica el Dr. Ezequiel López Rubio, autor principal. “Nuestro enfoque demuestra que es posible optimizar la fiabilidad de los modelos de IA aplicando técnicas de aumento en tiempo de prueba, lo que abre nuevas posibilidades en el campo de la imagen médica computacional”.
Entre los resultados más destacados:
- La combinación de MedSAM y TTA mejora significativamente la precisión de la segmentación frente a métodos tradicionales.
- Se logra mayor fiabilidad en imágenes con ruido o baja calidad, comunes en la práctica clínica.
- La metodología es flexible y puede adaptarse a distintos tipos de imágenes médicas, lo que favorece su implementación en hospitales.
Impacto clínico y visión de futuro
La investigación no solo es relevante a nivel técnico, sino que puede tener un impacto directo en la práctica médica.
“Esta mejora en la segmentación automática podría tener un impacto significativo en la práctica médica, reduciendo la carga de trabajo de los radiólogos y asegurando que los algoritmos de IA sean más precisos y confiables en la toma de decisiones clínicas”, señala el Dr. Karl Thurnhofer Hemsi, coautor del estudio.
Por su parte, Wasfieh Nazzal, autora principal y doctoranda internacional, destaca la motivación detrás del estudio y los desafíos superados:
“Queríamos abordar la gran variabilidad de las imágenes médicas reales. La técnica TTA simula pequeñas variaciones que ocurren durante la adquisición, mejorando así la precisión sin necesidad de reentrenar los modelos”, explica.
“Uno de los principales retos fue encontrar el equilibrio entre la mejora de precisión y la eficiencia computacional. Lo superamos con un análisis sistemático para ajustar los parámetros según el tipo de imagen”, añade. Además, Nazzal también pone en valor el trabajo en equipo.
Aplicaciones y continuidad
La implementación de esta técnica tiene potencial en diversas áreas médicas: oncología, radiología, planificación quirúrgica o terapias personalizadas. Desde IBIMA Plataforma BIONAND se destaca la importancia de seguir explorando mejoras en IA aplicada a salud.
“El equipo continuará investigando nuevas estrategias para mejorar la interpretación automatizada de imágenes médicas, con el objetivo de desarrollar soluciones eficaces y adaptadas a las necesidades del sistema sanitario”, señalan desde la Dirección Científica del instituto.
Referencia del artículo: Nazzal W, Thurnhofer-Hemsi K, López-Rubio E. Improving Medical Image Segmentation Using Test-Time Augmentation with MedSAM. Mathematics 2024, 12(24), 4003. https://doi.org/10.3390/math12244003
Etiquetas: IA • IBIMA • imagénes médicas • innovación • Investigacion • UMA