![\"Texto](\"https:\/\/sur-madrid.com\/online\/wp-content\/uploads\/2021\/10\/Post_48281-ComunidaddeMadrid-6--arrate_munoz_1.jpg\")
<\/p>\n Los modelos de aprendizaje profundo (deep learning, en ingl\u00e9s) han supuesto un progreso considerable para los muchos campos de investigaci\u00f3n e innovaci\u00f3n que explotan la informaci\u00f3n de las im\u00e1genes, tales como el diagn\u00f3stico cl\u00ednico por imagen o el desarrollo de nuevos f\u00e1rmacos. En imagen biom\u00e9dica, por ejemplo, se pueden utilizar para procesar colecciones inmensas de datos, detectar lesiones en tejidos biol\u00f3gicos, identificar sinapsis entre neuronas, y determinar la estructura tanto de la membrana como de los n\u00facleos celulares.
\u201cDurante los \u00faltimos cinco a\u00f1os, el procesado de imagen se ha desplazado de los tradicionales m\u00e9todos matem\u00e1ticos y basados en la observaci\u00f3n hacia el procesamiento guiado por los datos y la inteligencia artificial. Este importante avance favorece que la detecci\u00f3n e identificaci\u00f3n de datos se realice de forma m\u00e1s sencilla, m\u00e1s r\u00e1pida y cada vez m\u00e1s automatizada, sobre todo, en el campo de la investigaci\u00f3n biom\u00e9dica. Sin embargo, para utilizar los modelos de aprendizaje profundo se necesitan habilidades de programaci\u00f3n que pocos investigadores en ciencias de la vida poseen. Precisamente para facilitar su trabajo, un grupo de expertos en procesado de imagen de diferentes instituciones el Gobierno de la Comunidad afirma que ha desarrollado deepImageJ como una herramienta de c\u00f3digo abierto que se el Gobierno de la Comunidad de Madrid presenta en un art\u00edculo publicado este mes en la revista Nature Methods\u201d, afirma una de las investigadoras principales del proyecto, Arrate Mu\u00f1oz Barrutia, profesora del Departamento de Bioingenier\u00eda\u00a0 e Ingenier\u00eda Aeroespacial\u00a0 de la UC3M e investigadora senior del Instituto de Investigaci\u00f3n Sanitaria Gregorio Mara\u00f1\u00f3n.
Uso de redes neuronales en la investigaci\u00f3n biom\u00e9dica
Este tipo de inteligencia artificial necesita una etapa de entrenamiento que se basa en ejemplos para aprender a realizar una tarea a partir de una cantidad considerable de datos previamente anotados. Funciona de forma similar al software de los sistemas de vigilancia por televisi\u00f3n (en ingl\u00e9s, CCTV systems) que realizan reconocimiento facial, o en los filtros de las aplicaciones de m\u00f3vil que son capaces de mejorar las fotos. Los modelos de aprendizaje profundos est\u00e1n basados en arquitecturas computacionales sofisticadas denominadas redes neuronales artificiales. Estas redes est\u00e1n formadas por m\u00faltiples capas de procesamiento que pueden modelar los datos a diferentes niveles de abstracci\u00f3n. Como, por ejemplo, para reconocer ciertos tipos de c\u00e9lulas o lesiones en el tejido o para mejorar la calidad de la imagen.
Inteligencia artificial, pero sin el c\u00f3digo
Una vez entrenadas, la informaci\u00f3n necesaria para realizar la tarea, lo que se denomina modelo computacional de la red neuronal, se almacena en un fichero estructurado en el ordenador que puede ser reutilizado f\u00e1cilmente con deepImageJ. De hecho, deepImageJ permite que un investigador en cualquier parte del mundo aplique los modelos de aprendizaje profundo entrenados, por ejemplo, por inform\u00e1ticos en Espa\u00f1a, de forma sencilla. \u201cEsta herramienta cierra la brecha entre las redes neuronales artificiales y los investigadores biom\u00e9dicos que ahora pueden pedirle a un inform\u00e1tico que dise\u00f1e y entrene un algoritmo de aprendizaje autom\u00e1tico para llevar a cabo una tarea espec\u00edfica para luego usar el modelo, f\u00e1cilmente, a trav\u00e9s de una interfaz de usuario, sin ver una sola l\u00ednea de c\u00f3digo,\u201d indica Daniel Sage, investigador de la \u00c9cole Polytechnique F\u00e9d\u00e9rale de Lausanne (EPFL Center for Imaging, Suiza) que supervisa el desarrollo del proyecto.
Software colaborativo de c\u00f3digo abierto
La herramienta se lanza como un software de c\u00f3digo abierto y es gratuito. Est\u00e1 dise\u00f1ado para ser un recurso colaborativo que permite a ingenieros, inform\u00e1ticos, matem\u00e1ticos y bi\u00f3logos trabajar juntos de manera m\u00e1s eficiente. Es decir, investigadores de todo el mundo pueden contribuir a mejorar deepImageJ compartiendo sus experiencias de usuario, as\u00ed como proponiendo mejoras y requiriendo actualizaciones.
\u201cNuestro objetivo es que este recurso sea utilizado cada vez por m\u00e1s investigadores desde cualquier ordenador convencional y sin necesidad de tener conocimientos de programaci\u00f3n. Adem\u00e1s, nuestro grupo de investigaci\u00f3n imparte seminarios y desarrolla materiales de formaci\u00f3n y recursos online con el objetivo de que los usuarios puedan familiarizarse r\u00e1pidamente con el nuevo m\u00e9todo. Cuantos m\u00e1s usuarios utilicen la herramienta, mayor ser\u00e1 la interacci\u00f3n entre los desarrolladores y los investigadores biom\u00e9dicos. De esta forma se acelerar\u00e1 la difusi\u00f3n de los nuevos desarrollos tecnol\u00f3gicos y, sobre todo, se avanzar\u00e1 en la investigaci\u00f3n biom\u00e9dica\u201d, se\u00f1ala la profesora Arrate Mu\u00f1oz.
Publicaci\u00f3n en Nature Methods
Los autores principales del estudio son Arrate Mu\u00f1oz Barrutia (UC3M e IISGM) y Daniel Sage (EPFL Center for Imaging). Junto a sus equipos compuestos por Est\u00edbaliz G\u00f3mez de Mariscal, Carlos Garc\u00eda L\u00f3pez de Haro, Michael Unser y Laur\u00e8ne Donati, y colaboradores del Royal Institute of Technology in Stockholm (KTH, Suecia), Wei Ouyang y Emma Lundberg, han conseguido que el proyecto deepImageJ se publique en la revista Nature Methods.
Se trata de una publicaci\u00f3n cient\u00edfica mensual revisada que proporciona informaci\u00f3n relevante sobre nuevas t\u00e9cnicas y m\u00e9todos de laboratorio. Este trabajo ha recibido apoyo econ\u00f3mico del Ministerio de Ciencia, Innovaci\u00f3n y Universidades, Agencia Estatal de Investigaci\u00f3n, del gobierno espa\u00f1ol, los fondos FEDER, la acci\u00f3n COST NEUBIAS, una Beca Leonardo 2017 de la Fundaci\u00f3n BBVA, EPFL Center for Imaging, Erling-Persson Family Foundation and Kunt and Alice Wallenger Foundation.
Se puede consultar el art\u00edculo de la revista Nature Methods en el siguiente enlace https:\/\/www.nature.com\/articles\/s41592-021-01262-9\u00a0\u00a0y acceder a informaci\u00f3n sobre deepImageJ en la p\u00e1gina web\u00a0https:\/\/deepimagej.github.io\/deepimagej\/index.html<\/p>\n
Foto Comunidad de Madrid<\/p>\n
![\"Publicabecera\"](\"https:\/\/sur-madrid.com\/PUB\/2024\/8madridTV-Cabecera_700x160_15-11-2024_15-11-227.gif\")
<\/a><\/p>\n<\/div><\/div>![](\"https:\/\/sur-madrid.com\/PUB\/2024\/8madridTV-Cuadrado_625x521_15-11-2024_15-11-227.gif\")
<\/a><\/p>\n<\/div><\/div>","protected":false},"excerpt":{"rendered":"