CREACIÓN DE MÉTODOS DE FILTRADO EN IMÁGENES MÉDICAS DE TOMOGRAFÍA COMPUTACIONAL USANDO IA
Ángel Trinidad Velásquez Silva1, Luis Alonso Domínguez Villanueva2
1Universidad de Cuyo Argentina.
2Universidad Nacional Autónoma de Honduras.
RESUMEN
Este trabajo aborda la programación, adecuación e implementación de un modelo basado en aprendizaje profundo (Deep Learning) para la segmentación de imágenes médicas obtenidas por tomografía computacional (TC). Se han desarrollado herramientas de inteligencia artificial (IA) y herramientas computacionales para entrenar la IA, con el fin de realizar segmentaciones rápidas y precisas, brindando apoyo a especialistas en la aplicación de radiaciones ionizantes para el tratamiento del cáncer. El sistema desarrollado ha demostrado ser capaz de segmentar imágenes de manera precisa y eficiente. Los resultados son prometedores, evidenciando el potencial de esta tecnología para asistir a especialistas en radioterapia en la planificación y ejecución de tratamientos oncológicos. La validación del modelo se realizó mediante técnicas cuantitativas y cualitativas, asegurando su relevancia clínica.
Palabras Clave: Radiaciones ionizantes, Segmentación de órganos y tejidos, imágenes médicas, Inteligencia Artificial, Tomografía computacional.
INTRODUCCIÓN
En muchos países, la interpretación de imágenes médicas recae en el médico clínico. Sin embargo, en instituciones con equipos multidisciplinarios debido al tipo de tratamiento, diagnóstico o carga hospitalaria, la interpretación médica por parte del experto es crucial para todo el equipo. Actualmente, la interpretación manual de imágenes médicas, incluyendo la representación de órganos, tejidos y regiones tumorales, puede tomar horas al médico clínico. Por ello, este proyecto busca una alternativa eficiente y de bajo costo para la interpretación de imágenes de rayos X obtenidas por tomografía computacional (TC) utilizando inteligencia artificial, con el fin de mejorar tanto el tiempo como la carga de trabajo del médico clínico en las instituciones de salud. El avance tecnológico ha permitido el desarrollo de modelos de redes neuronales para la segmentación de imágenes en lotes y en tiempo real, sirviendo como punto de partida para este proyecto.
Sobre la Tomografía Computacional (TC)
La tomografía computacional es una técnica de diagnóstico no invasiva que utiliza rayos X para crear imágenes detalladas del interior del cuerpo, incluyendo órganos, huesos, tejidos y vasos sanguíneos. Es fundamental para el diagnóstico de anomalías y afecciones médicas, siendo un pilar en la detección del cáncer. El proceso implica enviar haces de rayos X a través del cuerpo; los tejidos más densos absorben más rayos X que los menos densos. Detectores alrededor del cuerpo recogen los rayos atenuados o no absorbidos desde múltiples proyecciones. Estos datos son enviados a un computador que, mediante algoritmos matemáticos, reconstruye una imagen tomográfica.
Las imágenes de TC se forman dividiendo el corte del cuerpo en una matriz de píxeles (e.g., 512x512). A cada píxel se le asigna un valor numérico que representa el grado de atenuación del haz de rayos X en ese volumen, visualizándose como una imagen en escala de grises. El ordenador analiza estos valores numéricos para interpretar los detalles de contraste en las imágenes.
Deep Learning o Aprendizaje Profundo
El aprendizaje profundo, según Chartrand (2017), es una estructura algorítmica para aprender una composición de características que reflejan una jerarquía de estructura de datos, donde representaciones complejas se expresan en términos de representaciones más simples. Este aprendizaje se realiza mediante redes neuronales compuestas por varias capas interconectadas, denominadas redes completamente conectadas. En estas redes, cualquier valor de entrada puede afectar cualquier valor de salida al modificar parámetros asociados a la estructura.
La unidad básica en este tipo de red es el perceptrón, un algoritmo para clasificación binaria. Opera con entradas (valores numéricos de características), pesos (números que determinan la importancia de los datos), un umbral (valor para determinar la categoría de la suma ponderada) y una función de activación (que determina la salida).
Para la clasificación de imágenes, las redes neuronales convolucionales (CNNs) son más adecuadas que las redes completamente conectadas. Las CNNs describen las características de una imagen extrayendo rasgos finos y gruesos, que se agrupan por características comunes. Esto se logra mediante operaciones de convolución (f∗g), donde f es la matriz de valores numéricos de la imagen (e.g., tres matrices n x m para RGB o una para escala de grises) y g es el kernel o núcleo. Este proceso es reversible.
Matemáticamente, la convolución se expresa como:
Salida(i,j,k)=di,dj,q∑Entrada(s1+di,s2+dj,q)⋅Kernel(di,dj,q,k)
Además de las convoluciones, se realiza un agrupamiento (pooling) para extraer las características más gruesas de la imagen, un proceso no reversible que típicamente selecciona el valor numérico más alto de un conjunto de píxeles en una región dada. Esto implica una pérdida de información sobre los rasgos finos.
Este proceso se repite continuamente mientras la imagen mantenga una cantidad mínima de píxeles y tenga sentido en su ilustración. El diagrama esquemático de una CNN incorpora un aplanamiento final de la información para clasificar la imagen.
Las CNNs son efectivas para obtener una descripción semántica de una imagen y generar etiquetas. El problema de la segmentación de tejidos u órganos en imágenes de rayos X es más complejo y se aborda mediante el reconocimiento semántico. Para este proyecto, la segmentación se realizó con el modelo U-Net, que combina interpretación semántica basada en convoluciones y pooling con una reconstrucción de las regiones a segmentar, apoyándose en redes antagónicas generativas convolucionales profundas (GAN).
METODOLOGÍA
La investigación es cuantitativa, con análisis de datos de imágenes, y se apoya cualitativamente en la parte experimental proporcionada por el diagnóstico y la experiencia de médicos clínicos.
RESULTADOS Y DISCUSIÓN
El modelo propuesto, basado en la arquitectura U-Net, segmenta con alta precisión las estructuras de interés en imágenes de TC. Durante el entrenamiento, se alcanzó una exactitud del 99.7%, lo que indica una excelente concordancia entre las segmentaciones automáticas y las realizadas manualmente. El tiempo de procesamiento por imagen (corte axial) fue de 3.11 segundos, demostrando la eficiencia del modelo.
CONCLUSIONES Y RECOMENDACIONES
El modelo de inteligencia artificial desarrollado, basado en la arquitectura U-Net, ha demostrado una alta precisión en la segmentación de estructuras anatómicas en imágenes de tomografía computarizada. Los resultados obtenidos indican un gran potencial para automatizar tareas que tradicionalmente consumen mucho tiempo de los radiólogos. La implementación de este sistema en la práctica clínica podría reducir significativamente el tiempo dedicado a la interpretación de imágenes, permitiendo a los radiólogos enfocarse en tareas de mayor complejidad y valor agregado. El modelo es adaptable y puede ser entrenado con nuevos conjuntos de datos para mejorar su precisión y generalización. La aplicación de esta tecnología en la práctica clínica podría impactar positivamente la administración de las instituciones y reducir los tiempos de espera para el inicio de tratamientos oncológicos.
REFERENCIAS
Castillo, R. Y. (2008). Desarrollo de un protocolo de control de calidad para tomografía computarizada helicoidal. Chartrand, G., et al. (2017). Deep learning: A primer for radiologists. Chen, M. Y. M., Pope, T. L., Jr., & Ott, D. J. (2006). Radiología básica. McGraw-Hill Interamericana. Ramsundar, B., & Bosagh Zadeh, R. (2018). TensorFlow for deep learning. O’Reilly. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. arXiv. https://arxiv.org/pdf/1505.04597.pdf Saravia, G. E. (Sin año). La tomografía computada: principios e historia de su desarrollo. https://grupoctscanner.com/la-tomografia-computada-principios-e-historia-de-su- desarrollo/ Simpson, A. L., Antonelli, M., Bakas, S., et al. (2019). A large annotated medical image dataset for the development and evaluation of segmentation algorithms. https://decathlon-10.grand-challenge.org/ Ugarte Suárez, J. C. (2006). Manual de tomografía axial computarizada multi-corte.
Cómo citar este trabajo (Vancouver):
Velásquez Silva ÁT, Domínguez Villanueva LA. CREACIÓN DE MÉTODOS DE FILTRADO EN IMÁGENES MÉDICAS DE TOMOGRAFÍA COMPUTACIONAL USANDO IA [resumen]. En: Vispo NS, editor. Memorias del Congreso de Investigación y Posgrado UNAH 2024: Libro de resúmenes. Madrid/Tegucigalpa: Clinical Biotec S.L.; Universidad Nacional Autónoma de Honduras; 2024. doi:10.70099/cb/unah/2024.mem
ISBN del libro: 978-84-09-76685-7