La Imagen por RM (IRM) es la técnica empleada habitualmente en el diagnóstico y seguimiento de los tumores gliales de alto grado (TGAG) y requiere de secuencias T1 tras la administración de un Agente de Contraste Basado en el Gadolinio (ACBG). Aunque los ACBG presentan un alto perfil de seguridad existen problemas de acumulación tisular tras su administración repetida. En un 25-36% de los pacientes tratados de TGAG aparecen en el seguimiento lesiones con realce en las secuencias T1 con ACBG debidas a la radioterapia y quimioterapia que corresponden a zonas de pseudoprogresión o radionecrosis (PsP/RN) y que pueden ser indistinguibles de una progresión tumoral (PT). La diferenciación entre estos procesos es esencial para el manejo y pronóstico del paciente. El objetivo de este proyecto es la generación una plataforma de ayuda al diagnóstico basada en Deep-Learning, que mejoren la seguridad y la eficiencia de la IRM en el diagnóstico y seguimiento de los TGAG. Para ello se desarrollará una red de arquitectura UNet que permitan generar imágenes postcontraste sintéticas T1 a partir de secuencias sin la inyección de ACBG. Para realizar la clasificación entre PT y PsP/RN se explorarán arquitecturas de las familias Resnet y Transformers. Además, se utilizarán los datos de la planificación de Radioterapia de Intensidad Modulada como una entrada paralela de la arquitectura para explorar su potencial informativo adicional. Para entrenar a los algoritmos se utilizarán datos retrospectivos adquiridos y la validación se efectuará con un grupo independiente.

Resonancia Magnética
Tumor Cerebral
Inteligencia Artificial

Acción Estratégica en Salud (AES)