Una red bayesiana ofrece representaciones poderosas de conocimiento para la independencia, la independencia condicional y las relaciones causales entre variables en un dominio dado. A pesar de su amplia aplicación, los límites de detección de las tecnologías de medición modernas hacen que el uso de las redes bayesianas sea teóricamente infundado, incluso cuando se cumple la suposición de una distribución gaussiana multivariante. En este documento, presentamos la red bayesiana gaussiana censurada (GBN), una extensión de las GBN diseñada para manejar datos censurados izquierda y derecha causados por los límites de detección instrumentales. Además, proponemos el algoritmo cSEM censurado de Expectation-Maximization estructural (cSEM), un marco iterativo de puntuación y búsqueda que integra el muestreo de Monte Carlo en el paso E para el cálculo eficiente de la expectativa y emplea el algoritmo iterativo de Monte Carlo de cadena de Markov (MCMC) en el paso M para refinar la estructura de red y los parámetros. Este enfoque aborda el desafío de no descomponibilidad de las verosimilitudes de datos censurados. A través de estudios de simulación, ilustramos el rendimiento superior del algoritmo cSEM en comparación con los competidores existentes en términos de recuperación de redes cuando existen datos censurados. Finalmente, el algoritmo cSEM propuesto se aplica a datos de células individuales con censura para descubrir las relaciones entre variables. La implementación del algoritmo cSEM está disponible en GitHub.