Nogales, AlbertoSicilia, Miguel Ángelde la Pinta, CarolinaGarcía-Barriocanal, ElenaGarcía-Tejedor, Álvaro J.Guadalupe, Diego2026-09-302026-09-302026-07-13Nogales, A, Sicilia, M Á, de la Pinta, C, García-Barriocanal, E, García-Tejedor, Á J & Guadalupe, D 2026, 'Evaluating the detection of small brain lesions in magnetic resonance using deep learning', Frontiers in Neuroscience, vol. 20, 1833713. https://doi.org/10.3389/fnins.2026.18337131662-4548PubMedCentral: PMC13402488https://hdl.handle.net/10641/8383Publisher Copyright: Copyright © 2026 Nogales, Sicilia, de la Pinta, García-Barriocanal, García-Tejedor and Guadalupe.Introducción – La detección de lesiones cerebrales mediante métodos de Inteligencia Artificial ha sido un foco de investigación previa, con numerosos conjuntos de datos que apoyan esta tarea para mejorar los resultados clínicos. Sin embargo, las métricas de evaluación y los resultados reportados suelen resumir el rendimiento general sin considerar las variaciones en el tamaño de la lesión. En la práctica clínica, la detección de tumores pequeños es particularmente crítica para el diagnóstico temprano y la efectividad del tratamiento. Métodos – Este estudio evalúa el rendimiento de modelos de Inteligencia Artificial en conjuntos de datos establecidos con un enfoque específico en la identificación de lesiones y el tamaño de la lesión. Introducimos un nuevo modelo de Aprendizaje Profundo adaptado para detectar tumores cerebrales pequeños en Imágenes por Resonancia Magnética, integrando un concepto de «tumor pequeño» definido clínicamente tanto en los procesos de entrenamiento como de evaluación. Resultados – El enfoque propuesto demuestra un rendimiento robusto, alcanzando valores de pérdida que oscilan entre 1,5 y 11,1 y Coeficientes Dice entre el 96,3 % y el 98,1 % en múltiples conjuntos de datos. Discusión – La principal contribución de este trabajo es la incorporación de información clínicamente significativa sobre el tamaño de la lesión en el desarrollo y la evaluación de los modelos. Estos hallazgos sugieren que considerar explícitamente los tumores pequeños puede mejorar la relevancia clínica de los sistemas de Inteligencia Artificial para la detección de lesiones cerebrales y apoyar un diagnóstico más temprano y una planificación del tratamiento más efectiva. [Traducción automática al español; idioma original: inglés.]Introduction – Detecting brain lesions using Artificial Intelligence methods has been a focus of prior research, with numerous datasets supporting this task to improve clinical results. However, evaluation metrics and reported results often summarise overall performance without considering variations in lesion size. In clinical practice, the detection of small tumours is particularly critical for early diagnosis and treatment effectiveness. Methods – This study evaluates the performance of Artificial Intelligence models on established datasets with a specific focus on lesion identification and lesion size. We introduce a novel Deep Learning model tailored to detect small brain tumours in Magnetic Resonance Imaging, integrating a clinically defined “small tumour” concept into both the training and evaluation processes. Results – The proposed approach demonstrates robust performance, achieving loss values ranging from 1.5 to 11.1 and Dice Scores between 96.3% and 98.1% across multiple datasets. Discussion – The main contribution of this work is the incorporation of clinically meaningful lesion-size information into model development and assessment. These findings suggest that explicitly considering small tumours can improve the clinical relevance of Artificial Intelligence systems for brain lesion detection and support earlier diagnosis and more effective treatment planning.181530915enghttp://creativecommons.org/licenses/by-nc-nd/4.0/U-netartificial intelligencedeep learningmagnetic resonancesmall brain tumourGeneral NeuroscienceYesjournal articleopen access10.3389/fnins.2026.1833713https://www.scopus.com/pages/publications/105047097906https://www.scopus.com/pages/publications/105047097906#tab=citedBy