Diagnóstico asistido por computadora - Computer-aided diagnosis
| Diagnóstico asistido por computadora | |
|---|---|
Radiografía de una mano, con cálculo automático de la edad ósea mediante un programa informático.
| |
| Objetivo | asistencia informática diagnóstico de imágenes |
La detección asistida por computadora ( CADe ), también llamada diagnóstico asistido por computadora ( CADx ), son sistemas que ayudan a los médicos en la interpretación de imágenes médicas . Las técnicas de imagen en los diagnósticos de rayos X , resonancia magnética y ultrasonido proporcionan una gran cantidad de información que el radiólogo u otro profesional médico tiene que analizar y evaluar de manera integral en poco tiempo. Los sistemas CAD procesan imágenes digitales para apariencias típicas y resaltan secciones visibles, como posibles enfermedades, con el fin de ofrecer información para respaldar una decisión tomada por el profesional.
CAD también tiene posibles aplicaciones futuras en patología digital con el advenimiento de imágenes de diapositivas completas y algoritmos de aprendizaje automático . Hasta ahora, su aplicación se ha limitado a cuantificar la inmunotinción, pero también se está investigando para la tinción estándar de H&E .
CAD es una tecnología interdisciplinaria que combina elementos de inteligencia artificial y visión por computadora con procesamiento de imágenes radiológicas y patológicas . Una aplicación típica es la detección de un tumor. Por ejemplo, algunos hospitales utilizan CAD para respaldar los controles médicos preventivos en mamografía (diagnóstico de cáncer de mama), la detección de pólipos en el colon y el cáncer de pulmón .
Los sistemas de detección asistida por computadora (CADe) generalmente se limitan a marcar estructuras y secciones visibles. Los sistemas de diagnóstico asistido por computadora (CADx) evalúan las estructuras visibles. Por ejemplo, en la mamografía CAD destaca los grupos de microcalcificación y las estructuras hiperdensas en los tejidos blandos. Esto permite al radiólogo sacar conclusiones sobre el estado de la patología. Otra aplicación es CADq, que cuantifica, por ejemplo , el tamaño de un tumor o el comportamiento del tumor en la captación del medio de contraste. El triaje simple asistido por computadora (CAST) es otro tipo de CAD, que realiza una interpretación inicial y un triaje completamente automáticos de los estudios en algunas categorías significativas ( por ejemplo, negativo y positivo). CAST es particularmente aplicable en imágenes de diagnóstico de emergencia, donde se requiere un diagnóstico rápido de una condición crítica que amenaza la vida.
Aunque el CAD se ha utilizado en entornos clínicos durante más de 40 años, el CAD generalmente no sustituye al médico u otro profesional, sino que juega un papel de apoyo. El profesional (generalmente un radiólogo) es generalmente responsable de la interpretación final de una imagen médica. Sin embargo, el objetivo de algunos sistemas CAD es detectar los primeros signos de anomalías en pacientes que los profesionales humanos no pueden, como en la retinopatía diabética , la distorsión arquitectónica en las mamografías, los nódulos en vidrio deslustrado en la TC torácica y las lesiones no polipoides ("planas"). en colonografía por TC.
Temas
Una breve historia
A finales de la década de 1950, con el nacimiento de las computadoras modernas, los investigadores de diversos campos comenzaron a explorar la posibilidad de construir sistemas de diagnóstico médico asistido por computadora (CAD). Estos primeros sistemas CAD utilizaron diagramas de flujo, comparación de patrones estadísticos, teoría de la probabilidad o bases de conocimiento para impulsar su proceso de toma de decisiones.
Desde principios de la década de 1970, algunos de los primeros sistemas CAD en medicina, que a menudo se denominan " sistemas expertos " en medicina, se desarrollaron y utilizaron principalmente con fines educativos. El sistema experto MYCIN , el sistema experto Internist-I y el CADUCEUS (sistema experto) son algunos de esos ejemplos.
Durante el comienzo de los primeros desarrollos, los investigadores tenían como objetivo construir sistemas CAD / expertos completamente automatizados. La expectativa de lo que pueden hacer las computadoras era irrealmente optimista entre estos científicos. Sin embargo, después del artículo revolucionario, “Reducibilidad entre problemas combinatorios” de Richard M. Karp , quedó claro que había limitaciones pero también oportunidades potenciales cuando uno desarrolla algoritmos para resolver grupos de problemas computacionales importantes.
Como resultado de la nueva comprensión de las diversas limitaciones algorítmicas que descubrió Karp a principios de la década de 1970, los investigadores comenzaron a darse cuenta de las serias limitaciones que tienen el CAD y los sistemas expertos en medicina. El reconocimiento de estas limitaciones llevó a los investigadores a desarrollar nuevos tipos de sistemas CAD utilizando enfoques avanzados. Por lo tanto, a fines de la década de 1980 y principios de la de 1990, el enfoque se centró en el uso de enfoques de minería de datos con el propósito de utilizar sistemas CAD más avanzados y flexibles.
En 1998, el primer sistema CAD comercial para mamografía, el sistema ImageChecker, fue aprobado por la Administración de Drogas y Alimentos de los Estados Unidos (FDA). En los años siguientes, varios sistemas CAD comerciales para analizar mamografías, resonancias magnéticas mamarias, imágenes médicas de pulmones, colon y corazón también recibieron la aprobación de la FDA. Actualmente, los sistemas CAD se utilizan como ayuda de diagnóstico para proporcionar a los médicos una mejor toma de decisiones médicas.
Metodología
CAD se basa fundamentalmente en el reconocimiento de patrones de alta complejidad . Se escanean radiografías u otros tipos de imágenes en busca de estructuras sospechosas. Normalmente se requieren algunos miles de imágenes para optimizar el algoritmo. Los datos de imágenes digitales se copian en un servidor CAD en formato DICOM y se preparan y analizan en varios pasos.
1. Preprocesamiento para
- Reducción de artefactos (errores en imágenes)
- Reducción de ruido de imagen
- Nivelación (armonización) de la calidad de la imagen (mayor contraste) para borrar las diferentes condiciones básicas de la imagen, por ejemplo, diferentes parámetros de exposición.
- Filtración
2. Segmentación para
- Diferenciación de diferentes estructuras en la imagen, por ejemplo, corazón, pulmón, caja torácica, vasos sanguíneos, posibles lesiones redondas.
- Coincidencia con el banco de datos anatómicos
- Muestra de valores de gris en volumen de interés
3. Análisis de estructura / ROI (región de interés) Cada región detectada se analiza individualmente en busca de características especiales:
- Compacidad
- Forma, tamaño y ubicación
- Referencia a estructuras cercanas / ROI
- Análisis del valor medio del nivel de grises dentro de un ROI
- Proporción de niveles grises al borde de la estructura dentro del ROI
4. Evaluación / clasificación Después de analizar la estructura, cada ROI se evalúa individualmente (puntuación) para determinar la probabilidad de un TP. Los siguientes procedimientos son ejemplos de algoritmos de clasificación.
- Regla del vecino más cercano (por ejemplo, k -vecinos más cercanos )
- Clasificador de distancia mínima
- Clasificador en cascada
- Clasificador bayesiano ingenuo
- Red neuronal artificial
- Red de función de base radial (RBF)
- Máquina de vectores de soporte (SVM)
- Análisis de componentes principales (PCA)
Si las estructuras detectadas han alcanzado un cierto nivel de umbral, se resaltan en la imagen para el radiólogo. Dependiendo del sistema CAD, estas marcas se pueden guardar de forma permanente o temporal. La ventaja de este último es que solo se guardan las marcas aprobadas por el radiólogo. Los aciertos falsos no deben guardarse, porque un examen en una fecha posterior se vuelve más difícil en ese momento.
Sensibilidad y especificidad
Los sistemas CAD buscan resaltar estructuras sospechosas. Los sistemas CAD actuales no pueden detectar el 100% de los cambios patológicos. La tasa de aciertos ( sensibilidad ) puede ser de hasta un 90% según el sistema y la aplicación. Un acierto se denomina Verdadero Positivo (TP), mientras que el marcado incorrecto de las secciones sanas constituye un Falso Positivo (FP). Cuanto menos FP se indiquen, mayor será la especificidad . Una baja especificidad reduce la aceptación del sistema CAD porque el usuario tiene que identificar todos estos resultados incorrectos. La frecuencia de FP en los exámenes generales de pulmón (CAD Chest) podría reducirse a 2 por examen. En otros segmentos ( por ejemplo, exámenes de pulmón por TC), la frecuencia de FP podría ser de 25 o más. En los sistemas CAST , la tasa de FP debe ser extremadamente baja (menos de 1 por examen) para permitir una clasificación de estudio significativa .
Tasa de detección absoluta
La tasa de detección absoluta del radiólogo es una métrica alternativa a la sensibilidad y la especificidad. En general, los resultados de los ensayos clínicos sobre la sensibilidad, la especificidad y la tasa de detección absoluta pueden variar notablemente. El resultado de cada estudio depende de sus condiciones básicas y debe evaluarse en esos términos. Los siguientes hechos tienen una fuerte influencia:
- Diseño prospectivo o retrospectivo
- Calidad de las imágenes utilizadas
- Estado del examen de rayos X
- Experiencia y educación del radiólogo
- Tipo de lesion
- Tamaño de la lesión considerada
Desafíos que enfrenta hoy el CAD en la medicina
A pesar de los muchos desarrollos que CAD ha logrado desde los albores de las computadoras, todavía existen ciertos desafíos a los que se enfrentan los sistemas CAD en la actualidad.
Algunos desafíos están relacionados con varias limitaciones algorítmicas en los procedimientos de un sistema CAD, incluida la recopilación de datos de entrada, el preprocesamiento, el procesamiento y las evaluaciones del sistema. Los algoritmos generalmente están diseñados para seleccionar un único diagnóstico probable, proporcionando así resultados subóptimos para pacientes con múltiples trastornos concurrentes. Hoy en día, los datos de entrada para CAD provienen principalmente de registros médicos electrónicos (HCE). El diseño, implementación y análisis efectivos para EHR es una necesidad importante en cualquier sistema CAD.
Debido a la disponibilidad masiva de datos y la necesidad de analizar dichos datos, el big data también es uno de los mayores desafíos a los que se enfrentan los sistemas CAD en la actualidad. La cantidad cada vez mayor de datos de pacientes es un problema grave. A menudo, los datos del paciente son complejos y pueden ser datos semiestructurados o no estructurados . Requiere enfoques altamente desarrollados para almacenarlos, recuperarlos y analizarlos en un tiempo razonable.
Durante la etapa de preprocesamiento, es necesario normalizar los datos de entrada. La normalización de los datos de entrada incluye la reducción de ruido y el filtrado. El procesamiento puede contener algunos subpasos según las aplicaciones. Los tres subpasos básicos de las imágenes médicas son la segmentación, la extracción / selección de características y la clasificación. Estos subpasos requieren técnicas avanzadas para analizar los datos de entrada con menos tiempo de cálculo. Aunque se ha dedicado mucho esfuerzo a la creación de técnicas innovadoras para estos procedimientos de sistemas CAD, todavía no existe el mejor algoritmo para cada paso. Los estudios en curso sobre la construcción de algoritmos innovadores para todos los aspectos de los sistemas CAD son esenciales.
También hay una falta de medidas de evaluación estandarizadas para los sistemas CAD. Este hecho puede causar dificultades para obtener la aprobación de la FDA para uso comercial. Además, si bien se han demostrado muchos desarrollos positivos de los sistemas CAD, los estudios para validar sus algoritmos para la práctica clínica apenas se han confirmado.
Otros desafíos están relacionados con el problema de los proveedores de atención médica para adoptar nuevos sistemas CAD en la práctica clínica. Algunos estudios negativos pueden desalentar el uso de CAD. Además, la falta de formación de los profesionales de la salud en el uso de CAD a veces conlleva una interpretación incorrecta de los resultados del sistema. Estos desafíos se describen con más detalle en.
Aplicaciones
CAD se utiliza en el diagnóstico de cáncer de mama , cáncer de pulmón , cáncer de colon , cáncer de próstata , metástasis óseas , enfermedad de la arteria coronaria , cardiopatía congénita , la detección cerebral patológico, detección de fracturas, enfermedad de Alzheimer , y la retinopatía diabética .
Cáncer de mama
La CAD se utiliza en mamografías de detección (examen de rayos X de la mama femenina). La mamografía de detección se utiliza para la detección temprana del cáncer de mama. Los sistemas CAD se utilizan a menudo para ayudar a clasificar un tumor como maligno o benigno. La CAD está especialmente establecida en los EE. UU. Y los Países Bajos y se usa además de la evaluación humana, generalmente por un radiólogo . El primer sistema CAD para mamografía se desarrolló en un proyecto de investigación en la Universidad de Chicago. Hoy en día es ofrecido comercialmente por iCAD y Hologic . Sin embargo, si bien logran altas sensibilidades, los sistemas CAD tienden a tener una especificidad muy baja y los beneficios de usar CAD siguen siendo inciertos. Una revisión sistemática de 2008 sobre la detección asistida por computadora en la mamografía de cribado concluyó que la CAD no tiene un efecto significativo en la tasa de detección del cáncer, pero aumenta indeseablemente la tasa de recordatorios ( es decir, la tasa de falsos positivos). Sin embargo, observó una heterogeneidad considerable en el impacto sobre la tasa de recuerdo entre los estudios.
Los avances recientes en la tecnología de aprendizaje automático , aprendizaje profundo e inteligencia artificial han permitido el desarrollo de sistemas CAD que están clínicamente probados para ayudar a los radiólogos a abordar los desafíos de leer imágenes mamográficas al mejorar las tasas de detección de cáncer y reducir los falsos positivos y las retiradas innecesarias de pacientes, mientras que disminuyendo significativamente los tiempos de lectura.
También existen procedimientos para evaluar la mamografía basados en imágenes de resonancia magnética .
Cáncer de pulmón (carcinoma bronquial)
En el diagnóstico de cáncer de pulmón, la tomografía computarizada con sistemas especiales de CAD tridimensional se establece y se considera como segundas opiniones apropiadas. En este momento, se prepara y analiza un conjunto de datos volumétrico con hasta 3000 imágenes individuales. Son detectables lesiones redondas ( cáncer de pulmón , metástasis y cambios benignos) a partir de 1 mm. Hoy en día, todos los proveedores conocidos de sistemas médicos ofrecen las soluciones correspondientes.
La detección temprana del cáncer de pulmón es valiosa. Sin embargo, la detección aleatoria del cáncer de pulmón en una etapa temprana (etapa 1) en la imagen de rayos X es difícil. Las lesiones redondas que varían de 5 a 10 mm se pasan por alto fácilmente. La aplicación rutinaria de CAD Chest Systems puede ayudar a detectar pequeños cambios sin sospecha inicial. Varios investigadores desarrollaron sistemas CAD para la detección de nódulos pulmonares (lesiones redondas de menos de 30 mm) en radiografía de tórax y TC, y sistemas CAD para el diagnóstico ( p . Ej. , Distinción entre malignos y benignos) de nódulos pulmonares en TC. Las imágenes virtuales de energía dual mejoraron el rendimiento de los sistemas CAD en la radiografía de tórax.
Cáncer de colon
CAD está disponible para la detección de pólipos colorrectales en el colon en la colonografía por TC. Los pólipos son pequeños crecimientos que surgen del revestimiento interno del colon. CAD detecta los pólipos identificando su característica forma de "protuberancia". Para evitar un exceso de falsos positivos, la CAD ignora la pared normal del colon, incluidos los pliegues haustrales .
Enfermedad cardiovascular
Los métodos de vanguardia en computación cardiovascular, informática cardiovascular y modelado matemático y computacional pueden proporcionar herramientas valiosas en la toma de decisiones clínicas. Los sistemas CAD con nuevos marcadores basados en análisis de imágenes como entrada pueden ayudar a los médicos vasculares a decidir con mayor confianza el tratamiento más adecuado para los pacientes con enfermedades cardiovasculares .
La detección precoz fiable y la estratificación del riesgo de la aterosclerosis carotídea son de suma importancia para predecir los accidentes cerebrovasculares en pacientes asintomáticos. Con este fin, se han propuesto varios marcadores no invasivos y de bajo costo, utilizando características basadas en imágenes de ultrasonido . Estos combinan características de ecogenicidad , textura y movimiento para ayudar a la decisión clínica hacia una mejor predicción, evaluación y manejo del riesgo cardiovascular.
CAD está disponible para la detección automática de enfermedad arterial coronaria significativa (que causa más del 50% de estenosis ) en estudios de angiografía coronaria por TC (CCTA).
Defecto cardiaco congenito
La detección temprana de patología puede marcar la diferencia entre la vida y la muerte. El CADe se puede realizar mediante auscultación con un estetoscopio digital y software especializado, también conocido como auscultación asistida por computadora . Los soplos, ruidos cardíacos irregulares, causados por la sangre que fluye a través de un corazón defectuoso, se pueden detectar con alta sensibilidad y especificidad. La auscultación asistida por computadora es sensible al ruido externo y los sonidos corporales y requiere un entorno casi silencioso para funcionar con precisión.
Detección patológica del cerebro (PBD)
Chaplot y col. fue el primero en utilizar coeficientes de Transformada de Onda Discreta (DWT) para detectar cerebros patológicos. Maitra y Chatterjee emplearon la transformación Slantlet, que es una versión mejorada de DWT. Su vector de características de cada imagen se crea considerando las magnitudes de las salidas de la transformada Slantlet correspondientes a seis posiciones espaciales elegidas de acuerdo con una lógica específica.
En 2010, Wang y Wu presentaron un método basado en la red neuronal directa (FNN) para clasificar una imagen cerebral determinada por RM como normal o anormal. Los parámetros de FNN se optimizaron mediante la optimización adaptativa del enjambre de partículas caóticas (ACPSO). Los resultados de más de 160 imágenes mostraron que la precisión de la clasificación fue del 98,75%.
En 2011, Wu y Wang propusieron usar DWT para la extracción de características, PCA para la reducción de características y FNN con colonia de abejas artificial caótica escalada (SCABC) como clasificador.
En 2013, Saritha et al. fueron los primeros en aplicar la entropía wavelet (WE) para detectar cerebros patológicos. Saritha también sugirió usar parcelas de telaraña. Posteriormente, Zhang et al. demostró que la eliminación de las tramas de telaraña no influyó en el rendimiento. Se aplicó el método de búsqueda de patrones genéticos para identificar el cerebro anormal de los controles normales. Su precisión de clasificación se informó como 95,188%. Das y col. propuso utilizar la transformación Ripplet. Zhang y col. propuso utilizar la optimización del enjambre de partículas (PSO). Kalbkhani y col. sugirió utilizar el modelo GARCH.
En 2014, El-Dahshan et al. sugirió utilizar una red neuronal acoplada por pulsos.
En 2015, Zhou et al. sugirió aplicar el clasificador de Bayes ingenuo para detectar cerebros patológicos.
Enfermedad de Alzheimer
Los CAD se pueden utilizar para identificar sujetos con Alzheimer y deterioro cognitivo leve de controles normales de edad avanzada.
En 2014, Padma et al . utilizaron características de textura estadísticas de ondículas combinadas para segmentar y clasificar las secciones de tumores benignos y malignos de EA. Zhang y col. encontró que el árbol de decisión de la máquina de vectores de soporte del kernel tenía una precisión de clasificación del 80%, con un tiempo de cálculo promedio de 0.022s para cada clasificación de imagen.
En 2019, Signaevsky et al . han informado por primera vez de una Red totalmente convolucional (FCN) entrenada para la detección y cuantificación de ovillos neurofibrilares (NFT) en la enfermedad de Alzheimer y una serie de otras tauopatías. El FCN entrenado logró alta precisión y recuperación en segmentación semántica de imagen de diapositiva completa digital (WSI) ingenua , identificando correctamente objetos NFT utilizando un modelo SegNet entrenado para 200 épocas. El FCN alcanzó una eficiencia casi práctica con un tiempo de procesamiento promedio de 45 minutos por WSI por unidad de procesamiento gráfico (GPU), lo que permitió una detección confiable y reproducible de NFT a gran escala. El rendimiento medido en los datos de las pruebas de ocho WSI ingenuos en varias tauopatías dio como resultado la recuperación , la precisión y una puntuación F1 de 0,92, 0,72 y 0,81, respectivamente.
Eigenbrain es una característica novedosa del cerebro que puede ayudar a detectar la EA, basada en la descomposición del Análisis de Componentes Principales o del Análisis de Componentes Independientes . Se ha demostrado que la SVM del núcleo polinómico logra una buena precisión. El polinomio KSVM funciona mejor que el SVM lineal y el kernel RBF SVM. Otros enfoques con resultados decentes implican el uso de análisis de textura, características morfológicas o características estadísticas de alto orden.
Medicina Nuclear
CADx está disponible para imágenes de medicina nuclear. Existen sistemas CADx comerciales para el diagnóstico de metástasis óseas en gammagrafías óseas de todo el cuerpo y enfermedad de las arterias coronarias en imágenes de perfusión miocárdica.
Con una alta sensibilidad y una tasa aceptable de detección de lesiones falsas, el sistema automático de detección de lesiones asistido por computadora ha demostrado ser útil y probablemente en el futuro podrá ayudar a los médicos de medicina nuclear a identificar posibles lesiones óseas.
Retinopatía diabética
La retinopatía diabética es una enfermedad de la retina que se diagnostica predominantemente mediante imágenes fundoscópicas. Los pacientes diabéticos en los países industrializados generalmente se someten a exámenes periódicos de detección de la afección. Las imágenes se utilizan para reconocer los primeros signos de vasos sanguíneos retinianos anormales. El análisis manual de estas imágenes puede llevar mucho tiempo y ser poco fiable. Se ha empleado CAD para mejorar la precisión, sensibilidad y especificidad del método de detección automatizado. El uso de algunos sistemas CAD para reemplazar a los clasificadores humanos puede ser seguro y rentable.
El preprocesamiento de imágenes y la extracción y clasificación de características son dos etapas principales de estos algoritmos CAD.
Métodos de preprocesamiento
La normalización de la imagen minimiza la variación en toda la imagen. Se ha informado que las variaciones de intensidad en las áreas entre la periferia y la región macular central del ojo causan inexactitud en la segmentación de los vasos. Según la revisión de 2014, esta técnica fue la más utilizada y apareció en 11 de las 40 investigaciones primarias publicadas recientemente (desde 2011).
La ecualización de histograma es útil para mejorar el contraste dentro de una imagen. Esta técnica se utiliza para aumentar el contraste local. Al final del procesamiento, las áreas que estaban oscuras en la imagen de entrada se iluminarían, mejorando en gran medida el contraste entre las características presentes en el área. Por otro lado, las áreas más brillantes en la imagen de entrada permanecerían brillantes o se reducirían en brillo para igualar con las otras áreas en la imagen. Además de la segmentación de vasos, otras características relacionadas con la retinopatía diabética pueden separarse aún más mediante el uso de esta técnica de preprocesamiento. El microaneurisma y las hemorragias son lesiones rojas, mientras que los exudados son manchas amarillas. El aumento del contraste entre estos dos grupos permite una mejor visualización de las lesiones en las imágenes. Con esta técnica, la revisión de 2014 encontró que 10 de los 14 recientemente (desde 2011) publicaron una investigación primaria.
El filtrado del canal verde es otra técnica útil para diferenciar lesiones en lugar de vasos. Este método es importante porque proporciona el máximo contraste entre las lesiones relacionadas con la retinopatía diabética. Los microaneurismas y hemorragias son lesiones rojas que aparecen oscuras después de la aplicación de un filtro de canal verde. Por el contrario, los exudados, que aparecen amarillos en la imagen normal, se transforman en manchas blancas brillantes después del filtrado verde. Esta técnica se utiliza principalmente según la revisión de 2014, con aparición en 27 de los 40 artículos publicados en los últimos tres años. Además, el filtrado de canal verde se puede utilizar para detectar el centro del disco óptico junto con el sistema de doble ventana.
La corrección de iluminación no uniforme es una técnica que se ajusta para una iluminación no uniforme en la imagen fundoscópica. La iluminación no uniforme puede ser un error potencial en la detección automática de la retinopatía diabética debido a cambios en las características estadísticas de la imagen. Estos cambios pueden afectar el procesamiento posterior, como la extracción de características, y los humanos no pueden observarlos. La corrección de la iluminación no uniforme (f ') se puede lograr modificando la intensidad del píxel utilizando la intensidad del píxel original conocida (f) y las intensidades promedio de los píxeles locales (λ) y deseados (μ) (consulte la fórmula a continuación). Luego se aplica la transformación de Walter-Klein para lograr la iluminación uniforme. Esta técnica es el método de preprocesamiento menos utilizado en la revisión de 2014.
Las operaciones morfológicas son el segundo método de preprocesamiento menos utilizado en la revisión de 2014. El objetivo principal de este método es proporcionar una mejora del contraste, especialmente en las regiones más oscuras en comparación con el fondo.
Extracciones y clasificaciones de funciones
Después del preprocesamiento de la imagen funduscópica, la imagen se analizará más a fondo utilizando diferentes métodos computacionales. Sin embargo, la literatura actual coincide en que algunos métodos se utilizan con más frecuencia que otros durante los análisis de segmentación de vasos. Estos métodos son SVM, multiescala, seguimiento de embarcaciones, enfoque de crecimiento regional y enfoques basados en modelos.
La máquina de vectores de soporte es, con mucho, el clasificador más utilizado en la segmentación de vasos, hasta el 90% de los casos. SVM es un modelo de aprendizaje supervisado que pertenece a la categoría más amplia de técnica de reconocimiento de patrones. El algoritmo funciona creando una brecha más grande entre distintas muestras en los datos. El objetivo es crear la mayor brecha entre estos componentes que minimice el error potencial en la clasificación. Para segregar con éxito la información de los vasos sanguíneos del resto de la imagen del ojo, el algoritmo SVM crea vectores de apoyo que separan el píxel de los vasos sanguíneos del resto de la imagen a través de un entorno supervisado. La detección de vasos sanguíneos a partir de nuevas imágenes se puede realizar de manera similar utilizando vectores de soporte. La combinación con otras técnicas de preprocesamiento, como el filtrado de canales verdes, mejora en gran medida la precisión de detección de anomalías en los vasos sanguíneos. Algunas propiedades beneficiosas de SVM incluyen
- Flexibilidad: muy flexible en términos de función
- Simplicidad: simple, especialmente con grandes conjuntos de datos (solo se necesitan vectores de soporte para crear una separación entre los datos)
El enfoque de múltiples escalas es un enfoque de resolución múltiple en la segmentación de vasos. A baja resolución, primero se pueden extraer vasos de gran diámetro. Al aumentar la resolución, las ramas más pequeñas de los vasos grandes se pueden reconocer fácilmente. Por lo tanto, una ventaja de utilizar esta técnica es la mayor velocidad analítica. Además, este enfoque se puede utilizar con imágenes en 3D. La representación de la superficie es una superficie normal a la curvatura de los vasos, lo que permite la detección de anomalías en la superficie del vaso.
El seguimiento de buques es la capacidad del algoritmo para detectar la "línea central" de los buques. Estas líneas centrales son el pico máximo de curvatura del vaso. Los centros de vasos se pueden encontrar utilizando información direccional proporcionada por el filtro gaussiano. Enfoques similares que utilizan el concepto de línea central son el basado en esqueleto y el basado en geometría diferencial.
El enfoque de crecimiento regional es un método para detectar píxeles vecinos con similitudes. Se requiere un punto inicial para que se inicie dicho método. Se necesitan dos elementos para que esta técnica funcione: similitud y proximidad espacial. Es probable que un píxel vecino al píxel semilla con una intensidad similar sea del mismo tipo y se agregará a la región de crecimiento. Una desventaja de esta técnica es que requiere la selección manual del punto semilla, lo que introduce sesgos e inconsistencias en el algoritmo. Esta técnica también se utiliza en la identificación del disco óptico.
Los enfoques basados en modelos emplean la representación para extraer vasos de las imágenes. Se conocen tres categorías amplias de coincidencia basada en modelos: deformable, paramétrica y de plantilla. Los métodos deformables utilizan objetos que se deformarán para adaptarse a los contornos de los objetos en la imagen. Paramétrico utiliza parámetros geométricos como la representación tubular, cilíndrica o elipsoide de los vasos sanguíneos. El contorno de serpiente clásico en combinación con la información topológica de los vasos sanguíneos también se puede utilizar como un enfoque basado en modelos. Por último, la coincidencia de plantillas es el uso de una plantilla, ajustada mediante un proceso de deformación estocástica utilizando el modo 1 de Markov oculto.
Efectos sobre el empleo
La automatización del trabajo de diagnóstico médico (por ejemplo, cuantificación de glóbulos rojos ) tiene algún precedente histórico. La revolución del aprendizaje profundo de la década de 2010 ya ha producido IA que son más precisos en muchas áreas del diagnóstico visual que los radiólogos y dermatólogos, y se espera que esta brecha aumente. Algunos expertos, incluidos muchos médicos, desdeñan los efectos que tendrá la IA en las especialidades médicas. Por el contrario, muchos economistas y expertos en inteligencia artificial creen que campos como la radiología se verán perturbados de forma masiva, con desempleo o presión a la baja sobre los salarios de los radiólogos; Los hospitales necesitarán menos radiólogos en general, y muchos de los radiólogos que todavía existen requerirán un reentrenamiento sustancial. Geoffrey Hinton , el "padrino del aprendizaje profundo", argumenta que (en vista de los probables avances que se esperan en los próximos cinco o diez años) los hospitales deberían dejar de capacitar radiólogos de inmediato, ya que su capacitación costosa y que consume mucho tiempo en diagnóstico visual pronto será eliminada. en su mayoría obsoletos, lo que lleva a un exceso de radiólogos tradicionales. Un artículo de opinión en JAMA sostiene que los patólogos y radiólogos deben fusionarse en un solo rol de "especialista en información" y afirman que "para evitar ser reemplazados por computadoras, los radiólogos deben dejarse desplazar por computadoras". Los especialistas en información recibirán formación en "lógica bayesiana, estadística, ciencia de datos" y algo de genómica y biometría; el reconocimiento manual de patrones visuales se reduciría en gran medida en comparación con la onerosa formación radiológica actual.