Focal cortical dysplasia (FCD) is a congenital brain malformation that is closely associated with epilepsy. Early and accurate diagnosis is essential for effectively treating and managing FCD. Magnetic resonance imaging (MRI)—one of the most commonly used non-invasive neuroimaging methods for evaluating the structure of the brain—is often implemented along with automatic methods to diagnose FCD. In this review, we define three categories for FCD identification based on MRI: visual, semi-automatic, and fully automatic methods. By conducting a systematic review following the PRISMA statement, we identified 65 relevant papers that have contributed to our understanding of automatic FCD identification techniques. The results of this review present a comprehensive overview of the current state-of-the-art in the field of automatic FCD identification and highlight the progress made and challenges ahead in developing reliable, efficient methods for automatic FCD diagnosis using MRI images. Future developments in this area will most likely lead to the integration of these automatic identification tools into medical image-viewing software, providing neurologists and radiologists with enhanced diagnostic capabilities. Moreover, new MRI sequences and higher-field-strength scanners will offer improved resolution and anatomical detail for precise FCD characterization. This review summarizes the current state of automatic FCD identification, thereby contributing to a deeper understanding and the advancement of FCD diagnosis and management.

La Resonancia Magnética (MRI, por sus siglas en inglés) es un método no invasivo que produce imágenes anatómicas volumétricas de alta resolución. Este método se utiliza comúnmente para diagnosticar diversas patologías cerebrales, como enfermedades desmielinizantes, demencia, enfermedades cerebrovasculares, epilepsia, entre otras. Sin embargo, la segmentación manual de tejidos en estas imágenes es una tarea compleja que requiere una cantidad significativa de tiempo y esfuerzo por parte de especialistas. Para abordar esto, se han propuesto diversas estrategias en la literatura que implican menos participación de expertos, tanto automáticas como semiautomáticas. En este estudio, se realiza una comparación entre una red neuronal convolucional basada en la arquitectura U-Net y otros dos métodos de segmentación de MRI, Dipy y FSL. La comparación utiliza tres conjuntos de datos disponibles públicamente, MRBrainS13, MRBrainS18 e IBSR, que contienen volúmenes de MRI con tejidos cerebrales segmentados manualmente. El rendimiento de cada método se evalúa usando el coeficiente de Dice, el índice de Jaccard, el área bajo la curva y la similitud estructural. Los resultados demuestran que los métodos basados en redes neuronales convolucionales logran mejorar la segmentación de tejido cerebral.