Estudiantes de doctorado obtienen segundo lugar en competencia internacional de imágenes médicas en MICCAI 2026
Ronald Marca y Gabriel Guerra, estudiantes de la Universidad de Valparaíso y miembros de iHEALTH, fueron reconocidos en el LISA Challenge 2026 por su trabajo con resonancias magnéticas cerebrales pediátricas tomadas con equipos portátiles de ultra bajo campo. Marca presentó los resultados en una sesión oral en Estrasburgo, Francia.
El equipo conformado por miembros del Instituto Milenio iHEALTH, la Universidad de Valparaíso y el Centro MEDING obtuvieron el segundo lugar en la tarea de mejora de calidad de imagen del LISA Challenge 2026. Esta competencia científica internacional se realizó en el marco de la 29th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2026), el congreso de referencia mundial en análisis de imágenes médicas e inteligencia artificial aplicada a la salud.
El trabajo, titulado "Rigor over Novelty in Ultra-Low-Field Pediatric Brain MRI: Quality Control and Subcortical Segmentation for the LISA Challenge 2026", fue además seleccionado para presentación oral. Ronald Marca lo expuso el 1 de octubre en Estrasburgo, Francia, donde se desarrolló el congreso.
Marca y Gabriel Guerra se encuentran finalizando el Magíster en Ingeniería Biomédica de la UV y este año ingresaron al Doctorado en Ciencias e Ingeniería para la Salud de la misma universidad. El proyecto contó con el respaldo de los académicos de la Escuela de Ingeniería Biomédica UV e investigadores de iHEALTH Rodrigo Salas, Steren Chabert y David Ortiz.
Resonancia portátil donde no hay un resonador convencional
El LISA Challenge trabaja con resonancias magnéticas cerebrales de niños y niñas obtenidas con un equipo portátil de campo ultra-bajo (0,064 Tesla). Estos equipos no requieren una sala blindada y funcionan conectados a la corriente normal. Por eso pueden llegar a lugares donde los resonadores convencionales (1.5 - 3 Tesla) no pueden.
La dificultad es que su señal es cerca de 100 veces más débil que la de un equipo hospitalario. Las imágenes resultan con más ruido, menos contraste y menos detalle, lo que complica su análisis automático.
En los challenges de MICCAI, equipos de distintos países resuelven un problema clínico común a partir de los mismos datos. Los organizadores evalúan los resultados con información que los equipos no conocen y los ordenan en un ranking oficial. El equipo chileno participó en las tres tareas de la competencia: control de calidad de las imágenes, mejora de imagen y segmentación de estructuras cerebrales.
En la tarea de mejora de imagen, el equipo entrenó cuatro modelos de inteligencia artificial y sumó un quinto candidato de control: la imagen original, solo limpiada y normalizada con cuidado, sin ningún modelo aprendido. En el ranking oficial, ese control superó a los cuatro modelos entrenados y fue el único que hizo que la imagen se viera más natural según las métricas de calidad.
"La imagen original, con una limpieza prolija y nada más, superó a todo lo que entrenamos, y ese es un hallazgo que vale la pena reportar por sí mismo", explica Ronald Marca. "Estuvimos cerca de engañarnos con nuestra propia evaluación: el modelo que se veía mejor en nuestras pruebas internas rindió peor en la evaluación real".
El trabajo identifica las razones. Las imágenes de referencia no calzan exactamente con las de campo bajo, por lo que un modelo que aprende de ellas termina "inventando" detalles en lugares equivocados. Además, parte importante del problema estaba en el preprocesamiento: solo con corregir cómo se redimensionaba y guardaba la imagen, el resultado pasó de empeorarla a mejorarla.
En las otras dos tareas, un conjunto de redes neuronales graduó automáticamente siete tipos de artefactos con un 84% de exactitud. Un modelo estándar de segmentación 3D logró un 78% de coincidencia promedio con la delineación hecha por expertos en once estructuras cerebrales.
"En las tres tareas, una evaluación cuidadosa y honesta importó más que la novedad de la arquitectura", señala Marca. Como siguiente paso, el equipo buscará mejorar la alineación entre las imágenes de campo bajo y las de referencia.
El resultado contribuye a que la resonancia magnética portátil y de bajo costo sea confiable para la población pediátrica en lugares con poco acceso a imagen médica. También deja una base de comparación para medir los avances futuros en el área.
