Un grupo de investigadores ha desarrollado un prometedor modelo de aprendizaje profundo denominado E2fNet, que facilita la generación de imágenes de resonancia magnética funcional (fMRI) a partir de datos de electroencefalografía (EEG), haciendo más accesibles las capacidades de neuroimagen en contextos clínicos.
E2fNet, cuyos detalles están disponibles en un folleto científico, ha sido específicamente diseñado para capturar y traducir características significativas de los datos de EEG por medio de un codificador-descodificador basado en la arquitectura U-Net. Esta metodología ha sido probada en tres conjuntos de datos públicos, NODDI, Oddball y CN-EPFL, demostrando consistentemente resultados líderes en el ámbito en términos del índice de similitud estructural (SSIM).
A diferencia de las imágenes fMRI obtenidas tradicionalmente mediante infraestructuras costosas y complejas, E2fNet utiliza datos EEG, mucho más accesibles y económicos, aunque menos precisos espacialmente. Las pruebas demostraron que el uso de la red de E2fNet no solo supera a los métodos basados en redes neuronales convolucionales (CNN) y transformadores previos en cuanto al índice SSIM, sino que también ofrece un diseño más sencillo con mejor rendimiento.
E2fNet ha sido evaluado en tres conjuntos de datos de imágenes simultáneas de EEG y fMRI, mostrando su capacidad de reproducir datos fMRI a partir de señales EEG con notable precisión. Esto no solo representa una posibilidad real de mejorar estudios multimodales de neuroimagen, sino también de facilitar el diagnóstico y tratamiento de condiciones neurológicas.
El equipo de investigación, compuesto por Kristofer Roos, Atsushi Fukuda y Quan Huu Cap, ha puesto a disposición pública el código de E2fNet, lo que permite la reproducibilidad y fomenta nuevas investigaciones en este campo.
En conclusión, E2fNet abre un nuevo puente entre la electroencefalografía y la resonancia magnética funcional, potencialmente revolucionando el campo de la neuroimagen al hacerlo más accesible y asequible, especialmente en entornos con recursos limitados.