stringtranslate.com

Diagnóstico asistido por ordenador

La detección asistida por ordenador ( CADe ), también llamada diagnóstico asistido por ordenador ( CADx ), son sistemas que ayudan a los médicos en la interpretación de imágenes médicas . Las técnicas de imagen en rayos X , resonancia magnética , endoscopia y diagnóstico por ultrasonido arrojan una gran cantidad de información que el radiólogo u otro profesional médico debe analizar y evaluar de manera integral en poco tiempo. Los sistemas CAD procesan imágenes digitales o vídeos para aspectos típicos y para resaltar secciones llamativas, como posibles enfermedades, con el fin de ofrecer información que respalde una decisión tomada por el profesional.

CAD también tiene posibles aplicaciones futuras en patología digital con la llegada 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 H&E . [1]

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 apoyar los chequeos médicos preventivos en mamografía (diagnóstico de cáncer de mama), la detección de pólipos en colonoscopia y cáncer de pulmón .

Los sistemas de detección asistida por ordenador (CADe) suelen limitarse a marcar estructuras y secciones llamativas. Los sistemas de diagnóstico asistido por ordenador (CADx) evalúan las estructuras visibles. Por ejemplo, en mamografía, CAD resalta grupos de microcalcificaciones y estructuras hiperdensas en el tejido blando. 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 absorción del medio de contraste. La clasificación simple asistida por computadora (CAST) es otro tipo de CAD, que realiza una interpretación inicial totalmente automática y una clasificación de los estudios en algunas categorías significativas ( por ejemplo, negativos y positivos). CAST es particularmente aplicable en diagnóstico por imágenes de emergencia, donde se requiere un diagnóstico rápido de una condición crítica que pone en peligro la vida.

Aunque el CAD se ha utilizado en entornos clínicos durante más de 40 años, normalmente no sustituye al médico u otro profesional, sino que desempeña un papel de apoyo. El profesional (generalmente un radiólogo) suele ser el responsable de la interpretación final de una imagen médica. [2] Sin embargo, el objetivo de algunos sistemas CAD es detectar los signos más tempranos de anormalidad en pacientes que los profesionales humanos no pueden, como en la retinopatía diabética, la distorsión arquitectónica en las mamografías, [3] [4] nódulos en vidrio esmerilado en la TC torácica, [ 5] [6] y lesiones no polipoides (“planas”) en colonografía por TC. [7]

Temas

Una breve historia

A finales de la década de 1950, con la aparición de las computadoras modernas, investigadores de diversos campos comenzaron a explorar la posibilidad de construir sistemas de diagnóstico médico asistido por computadora (CAD). [8] Estos primeros sistemas CAD utilizaron diagramas de flujo, coincidencia de patrones estadísticos, teoría de probabilidad o bases de conocimiento para impulsar su proceso de toma de decisiones. [9]

Desde principios de la década de 1970, algunos de los primeros sistemas CAD en medicina, a los que a menudo se hacía referencia como " sistemas expertos " en medicina, se desarrollaron y utilizaron principalmente con fines educativos. El sistema experto MYCIN , [10] el sistema experto Internist-I [11] y el CADUCEUS (sistema experto) [12] son ​​algunos de estos ejemplos.

Al comienzo de los primeros desarrollos, los investigadores tenían como objetivo construir sistemas CAD/expertos totalmente automatizados. La expectativa de estos científicos sobre lo que pueden hacer las computadoras era irrealmente optimista. Sin embargo, después del revolucionario artículo “Reducibilidad entre problemas combinatorios” de Richard M. Karp , [13] quedó claro que existían limitaciones pero también oportunidades potenciales cuando se desarrollan algoritmos para resolver grupos de problemas computacionales importantes. [9]

Como resultado de la nueva comprensión de las diversas limitaciones algorítmicas que Karp descubrió a principios de la década de 1970, los investigadores comenzaron a darse cuenta de las graves limitaciones que tienen el CAD y los sistemas expertos en medicina. [9] El reconocimiento de estas limitaciones llevó a los investigadores a desarrollar nuevos tipos de sistemas CAD mediante el uso de enfoques avanzados. Así, a finales de los años 1980 y principios de los años 1990, la atención se centró en el uso de enfoques de minería de datos con el fin de utilizar sistemas CAD más avanzados y flexibles.

En 1998, la Administración de Alimentos y Medicamentos de EE. UU. (FDA) aprobó el primer sistema CAD comercial para mamografía, el sistema ImageChecker. En los años siguientes, varios sistemas CAD comerciales para analizar mamografías, resonancias magnéticas de mama e imágenes médicas de pulmón, colon y corazón también recibieron la aprobación de la FDA. Actualmente, los sistemas CAD se utilizan como ayuda de diagnóstico para brindar a los médicos una mejor toma de decisiones médicas. [14]

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 unos pocos miles de imágenes para optimizar el algoritmo. Los datos de imágenes digitales se copian a un servidor CAD en formato DICOM y se preparan y analizan en varios pasos.

1. Preprocesamiento para

2. Segmentación para

3. Análisis de estructura/ROI (región de interés) Cada región detectada se analiza individualmente para detectar características especiales:

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.

Si las estructuras detectadas han alcanzado un cierto nivel 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 sólo se guardan las marcas aprobadas por el radiólogo. Los resultados falsos no deben guardarse, porque entonces un examen posterior se vuelve más difícil.

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 el 90% según el sistema y la aplicación. [24] Un acierto correcto se denomina Verdadero Positivo (TP), mientras que el marcado incorrecto de secciones sanas constituye un Falso Positivo (FP). Cuantos menos PF 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 tasa de FP en los exámenes generales de los pulmones (CAD Chest) podría reducirse a 2 por examen. En otros segmentos ( por ejemplo, exámenes pulmonares por TC), la tasa 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 sensibilidad, especificidad y 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:

Desafíos que enfrenta CAD en medicina hoy

A pesar de los numerosos avances que ha logrado CAD desde los albores de las computadoras, todavía existen ciertos desafíos que enfrentan los sistemas CAD en la actualidad. [25]

Algunos desafíos están relacionados con diversas 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, lo que proporciona resultados subóptimos para pacientes con múltiples trastornos concurrentes. [26] Hoy en día, los datos de entrada para CAD provienen principalmente de registros médicos electrónicos (EHR). El diseño, implementación y análisis efectivos de EHR es una necesidad importante en cualquier sistema CAD. [25]

Debido a la disponibilidad masiva de datos y la necesidad de analizarlos, el big data es también 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 muy desarrollados para almacenarlos, recuperarlos y analizarlos en un tiempo razonable. [25]

Durante la etapa de preprocesamiento, es necesario normalizar los datos de entrada. La normalización de los datos de entrada incluye reducción de ruido y 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 han dedicado muchos esfuerzos a crear técnicas innovadoras para estos procedimientos de los sistemas CAD, todavía no existe el mejor algoritmo para cada paso. Es esencial realizar estudios continuos para crear algoritmos innovadores para todos los aspectos de los sistemas CAD. [25]

También faltan medidas de evaluación estandarizadas para los sistemas CAD. [25] Este hecho puede causar dificultades para obtener la aprobación de la FDA para uso comercial. Además, si bien se han demostrado muchos avances positivos de los sistemas CAD, apenas se han confirmado los estudios para validar sus algoritmos para la práctica clínica. [27]

Otros desafíos están relacionados con el problema de que los proveedores de atención médica adopten 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 trae a veces una interpretación incorrecta de los resultados del sistema. Estos desafíos se describen con más detalle en [25]

Aplicaciones

Interfaz de Medical Sieve , un algoritmo de IBM para ayudar en las decisiones clínicas.

CAD se utiliza en el diagnóstico de cáncer de mama , cáncer de pulmón , cáncer de colon , cáncer de próstata , metástasis óseas , enfermedad de las arterias coronarias , defectos cardíacos congénitos , detección de patologías cerebrales, detección de fracturas, enfermedad de Alzheimer y retinopatía diabética .

Cáncer de mama

CAD se utiliza en mamografías de detección (examen de rayos X de la mama femenina). La mamografía de cribado 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. El CAD está especialmente establecido en EE. UU. y los Países Bajos y se utiliza además de la evaluación humana, generalmente por parte de un radiólogo . El primer sistema CAD para mamografía se desarrolló en un proyecto de investigación de la Universidad de Chicago. Hoy lo ofrecen comercialmente iCAD y Hologic . Sin embargo, aunque logran sensibilidades altas, los sistemas CAD tienden a tener una especificidad muy baja y los beneficios del uso de CAD siguen siendo inciertos. Una revisión sistemática de 2008 sobre la detección asistida por computadora en mamografías de detección concluyó que la CAD no tiene un efecto significativo en la tasa de detección de cáncer, pero aumenta de manera indeseable la tasa de recuerdo ( es decir, la tasa de falsos positivos). Sin embargo, observó una considerable heterogeneidad en el impacto sobre la tasa de recuerdo entre los estudios. [28]

Los avances recientes en el aprendizaje automático , el aprendizaje profundo y la tecnología de inteligencia artificial han permitido el desarrollo de sistemas CAD clínicamente probados para ayudar a los radiólogos a abordar los desafíos de la lectura de imágenes mamográficas al mejorar las tasas de detección de cáncer y reducir los falsos positivos y los retiros innecesarios de pacientes, mientras Disminuyendo significativamente los tiempos de lectura. [29]

También existen procedimientos para evaluar la mamografía basados ​​en imágenes de resonancia magnética .

Cáncer de pulmón (carcinoma bronquial)

En el diagnóstico del cáncer de pulmón, la tomografía computarizada con sistemas CAD tridimensionales especiales se establece y se considera una segunda opinión adecuada. [30] 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 de sistemas médicos de renombre ofrecen las soluciones correspondientes.

La detección temprana del cáncer de pulmón es valiosa. Sin embargo, la detección aleatoria del cáncer de pulmón en la etapa temprana (etapa 1) en la imagen de rayos X es difícil. Las lesiones redondas que varían de 5 a 10 mm pasan desapercibidas fácilmente. [31] 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 [32] [33] [34] y TC, [35] [36] y sistemas CAD para el diagnóstico ( p. ej. , distinción entre maligno y benigno) de nódulos pulmonares en TC. Las imágenes virtuales de energía dual [37] [38] [39] [40] mejoraron el rendimiento de los sistemas CAD en la radiografía de tórax. [41]

Cáncer de colon

CAD está disponible para la detección de pólipos colorrectales en el colon en colonografía por TC. [42] [43] 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, CAD ignora la pared normal del colon, incluidos los pliegues haustrales .

Enfermedad cardiovascular

Los métodos de última generación en informática cardiovascular, informática cardiovascular y modelos matemáticos y computacionales pueden proporcionar herramientas valiosas en la toma de decisiones clínicas. [44] Los sistemas CAD con nuevos marcadores basados ​​en análisis de imágenes como entrada pueden ayudar a los médicos vasculares a decidir con mayor confianza cuál es el mejor tratamiento adecuado para los pacientes con enfermedades cardiovasculares .

La detección temprana confiable y la estratificación del riesgo de la aterosclerosis carotídea son de suma importancia para predecir accidentes cerebrovasculares en pacientes asintomáticos. [45] Con este fin, se han propuesto varios marcadores no invasivos y de bajo costo, utilizando características basadas en imágenes de ultrasonido . [46] Estos combinan características de ecogenicidad , textura y movimiento [47] [48] [49] [50] para ayudar en la decisión clínica hacia una mejor predicción, evaluación y manejo del riesgo cardiovascular. [51]

CAD está disponible para la detección automática de enfermedad de las arterias coronarias significativa (que causa más del 50 % de estenosis ) en estudios de angiografía coronaria por TC (CCTA). [52]

Defecto cardiaco congenito

La detección temprana de una patología puede marcar la diferencia entre la vida y la muerte. CADe se puede realizar mediante auscultación con un estetoscopio digital y software especializado, también conocida como auscultación asistida por computadora . Los soplos, sonidos 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 a los sonidos corporales y requiere un entorno casi silencioso para funcionar con precisión.

Detección cerebral patológica (PBD)

Chaplot et al. fue el primero en utilizar coeficientes de transformada de ondas discretas (DWT) para detectar cerebros patológicos. [53] Maitra y Chatterjee emplearon la transformada 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. [54]

En 2010, Wang y Wu presentaron un método basado en una red neuronal directa (FNN) para clasificar una determinada imagen cerebral por resonancia magnética 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%. [55]

En 2011, Wu y Wang propusieron utilizar DWT para la extracción de características, PCA para la reducción de características y FNN con una colonia de abejas artificial caótica escalada (SCABC) como clasificador. [56]

En 2013, Saritha et al. Fueron los primeros en aplicar la entropía wavelet (WE) para detectar cerebros patológicos. Saritha también sugirió utilizar tramas de telaraña. [57] Posteriormente, Zhang et al. demostró que eliminar las tramas de telaraña no influyó en el rendimiento. [58] Se aplicó el método de búsqueda de patrones genéticos para identificar cerebros anormales a partir de controles normales. Su precisión de clasificación fue del 95,188%. [59] Das et al. propuso utilizar la transformación Ripplet. [60] Zhang y cols. propuso utilizar la optimización de enjambre de partículas (PSO). [61] Kalbkhani y otros. Se sugiere utilizar el modelo GARCH. [62]

En 2014, El-Dahshan et al. Se sugirió utilizar una red neuronal acoplada por pulsos. [63]

En 2015, Zhou et al. sugirió aplicar el clasificador ingenuo de Bayes para detectar cerebros patológicos. [64]

enfermedad de alzheimer

Los CAD se pueden utilizar para identificar sujetos con Alzheimer y deterioro cognitivo leve de controles de personas mayores normales.

En 2014, Padma et al . utilizaron características de textura estadística de wavelet combinadas para segmentar y clasificar cortes de tumores benignos y malignos de AD. [57] Zhang y otros. Se descubrió 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 0,022 s para cada clasificación de imagen. [sesenta y cinco]

En 2019, Signaevsky et al . informaron por primera vez sobre una red totalmente convolucional (FCN) entrenada para la detección y cuantificación de ovillos neurofibrilares (NFT) en la enfermedad de Alzheimer y una variedad de otras tauopatías. El FCN entrenado logró alta precisión y recuperación en la ingenua segmentación semántica de imágenes digitales de diapositivas completas (WSI), identificando correctamente objetos NFT utilizando un modelo SegNet entrenado durante 200 épocas. La FCN alcanzó una eficiencia casi práctica con un tiempo de procesamiento promedio de 45 minutos por WSI por unidad de procesamiento de gráficos (GPU) , lo que permite una detección confiable y reproducible de NFT a gran escala. El rendimiento medido en los datos de la prueba de ocho WSI ingenuos en varias tauopatías dio como resultado un recuerdo , precisión y una puntuación F1 de 0,92, 0,72 y 0,81, respectivamente. [66]

El cerebro propio es una característica cerebral novedosa que puede ayudar a detectar la EA, basándose en el análisis de componentes principales (PCA) [67] o la descomposición del análisis de componentes independientes . [68] Se ha demostrado que SVM de núcleo polinomial logra una buena precisión. El polinomio KSVM funciona mejor que el SVM lineal y el SVM del núcleo RBF. [69] Otros enfoques con resultados decentes implican el uso de análisis de textura, [70] características morfológicas, [71] o características estadísticas de alto orden [72]

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. [73]

Con una alta sensibilidad y una tasa aceptable de detección de lesiones falsas, el sistema de detección automática 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. [74]

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 para detectar esta afección. Las imágenes se utilizan para reconocer signos tempranos de vasos sanguíneos retinianos anormales. El análisis manual de estas imágenes puede llevar mucho tiempo y ser poco fiable. [75] [76] 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 niveladores humanos puede ser seguro y rentable. [76]

El preprocesamiento de imágenes y la extracción y clasificación de características son dos etapas principales de estos algoritmos CAD. [77]

Métodos de preprocesamiento

La normalización de la imagen minimiza la variación en toda la imagen. Se ha informado que las variaciones de intensidad en áreas entre la periferia y la región macular central del ojo causan inexactitud en la segmentación de los vasos. [78] Según la revisión de 2014, esta técnica fue la más utilizada y apareció en 11 de 40 investigaciones primarias publicadas recientemente (desde 2011). [77]

Imagen de muestra de ecualización de histograma. Izquierda: imagen fundoscópica normal en escala de grises. Derecha: procesamiento de ecualización posterior al histograma. [79]

La ecualización de histograma es útil para mejorar el contraste dentro de una imagen. [80] Esta técnica se utiliza para aumentar el contraste local. Al final del procesamiento, las áreas que estaban oscuras en la imagen de entrada se aclararían, 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 su brillo se reduciría para igualarse con las otras áreas de la imagen. Además de la segmentación de los vasos, otras características relacionadas con la retinopatía diabética se pueden separar aún más mediante esta técnica de preprocesamiento. Los microaneurismas 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 investigaciones primarias. [77]

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. [81] Los microaneurismas y las hemorragias son lesiones rojas que aparecen oscuras después de la aplicación del filtrado del canal verde. Por el contrario, los exudados, que aparecen de color amarillo en una imagen normal, se transforman en puntos blancos brillantes después del filtrado verde. Esta técnica se utiliza principalmente según la revisión de 2014, y apareció en 27 de 40 artículos publicados en los últimos tres años. [77] Además, el filtrado de canal verde se puede utilizar para detectar el centro del disco óptico junto con el sistema de doble ventana. [ cita necesaria ]

La corrección de iluminación no uniforme es una técnica que se ajusta a la iluminación no uniforme en una imagen fundoscópica. La iluminación no uniforme puede ser un error potencial en la detección automatizada de la retinopatía diabética debido a cambios en las características estadísticas de la imagen. [77] Estos cambios pueden afectar el procesamiento posterior, como la extracción de características, y no son observables por los humanos. 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). [82] Luego se aplica la transformación de Walter-Klein para lograr una iluminación uniforme. [82] 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. [77] 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 características.

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.

Máquinas de vectores soporte. Los vectores de soporte (líneas discontinuas) se crean para maximizar la separación entre dos grupos.

La máquina de vectores de soporte es, con diferencia, el clasificador más utilizado en la segmentación de vasos, hasta en el 90% de los casos. [ cita necesaria ] 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. [83] Para segregar con éxito la información de los vasos sanguíneos del resto de la imagen del ojo, el algoritmo SVM crea vectores de soporte 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 la detección de anomalías de los vasos sanguíneos. [77] Algunas propiedades beneficiosas de SVM incluyen [83]

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, se pueden reconocer fácilmente las ramas más pequeñas de los vasos grandes. Por tanto, una ventaja de utilizar esta técnica es la mayor velocidad analítica. [75] 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 de los vasos. [ cita necesaria ]

El seguimiento de embarcaciones es la capacidad del algoritmo para detectar la "línea central" de las embarcaciones. Estas líneas centrales son el pico máximo de curvatura del vaso. Los centros de los vasos se pueden encontrar utilizando la información direccional proporcionada por el filtro gaussiano. [ cita necesaria ] Enfoques similares que utilizan el concepto de línea central son los basados ​​en esqueleto y los basados ​​en geometría diferencial. [75]

El enfoque de crecimiento de regiones 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 inicial con intensidad similar sea del mismo tipo y se agregue a la región en crecimiento. Una desventaja de esta técnica es que requiere la selección manual del punto inicial, lo que introduce sesgos e inconsistencia en el algoritmo. [75] Esta técnica también se está utilizando en la identificación del disco óptico. [ cita necesaria ]

Los enfoques basados ​​en modelos emplean representación para extraer vasos de imágenes. Se conocen tres categorías amplias de modelos basados ​​en: deformables, paramétricos y de coincidencia de plantillas. [75] 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 información topológica de los vasos sanguíneos también se puede utilizar como enfoque basado en modelos. [84] Por último, la coincidencia de plantillas es el uso de una plantilla, ajustada mediante un proceso de deformación estocástica utilizando el modo 1 oculto de Markov.

Efectos sobre el empleo

La automatización de la labor de diagnóstico médico (por ejemplo, la cuantificación de glóbulos rojos ) tiene algún precedente histórico. [85] La revolución del aprendizaje profundo de la década de 2010 ya ha producido IA que son más precisas en muchas áreas del diagnóstico visual que los radiólogos y dermatólogos, y se espera que esta brecha crezca. Algunos expertos, incluidos muchos médicos, desdeñan los efectos que la IA tendrá en las especialidades médicas. Por el contrario, muchos economistas y expertos en inteligencia artificial creen que campos como la radiología se verán enormemente perturbados, 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 aún existen requerirán una importante recapacitación. Geoffrey Hinton , el "padrino del aprendizaje profundo", sostiene que (en vista de los probables avances que se esperan en los próximos cinco o diez años) los hospitales deberían dejar de formar radiólogos inmediatamente, ya que su formación en diagnóstico visual, que requiere mucho tiempo y es costosa, pronto se verá afectada. en su mayoría obsoletos, lo que lleva a un exceso de radiólogos tradicionales. [86] [87] Un artículo de opinión en JAMA sostiene que los patólogos y radiólogos deberían fusionarse en una única función de "especialista en información" y afirma que "para evitar ser reemplazados por computadoras, los radiólogos deben permitir que las computadoras los desplacen". Los especialistas en información recibirían formación en "lógica bayesiana, estadística, ciencia de datos" y algo de genómica y biométrica; Se restaría importancia al reconocimiento manual de patrones visuales en comparación con la onerosa formación en radiología actual. [88]

Ver también

Referencias

  1. ^ "Diagnóstico asistido por computadora: el punto de inflexión para la patología digital". Asociación de Patología Digital. 27 de abril de 2017.
  2. ^ Oakden-Rayner, Luke (mayo de 2019). "El renacimiento del CAD: ¿En qué se diferencia la IA moderna del CAD que conocemos?". Radiología: Inteligencia Artificial . 1 (3): e180089. doi : 10.1148/ryai.2019180089. ISSN  2638-6100. PMC 8017402 . PMID  33937793. 
  3. ^ Pájaro, RE; Wallace, TW; Yankaskas, antes de Cristo (1992). "Análisis de cánceres omitidos en la mamografía de detección". Radiología . 184 (3): 613–617. doi :10.1148/radiología.184.3.1509041. PMID  1509041.
  4. ^ Panadero, JA; Rosen, EL; He aquí, JY; et al. (2003). "Detección asistida por computadora (CAD) en mamografía de detección: sensibilidad de los sistemas CAD comerciales para detectar distorsiones arquitectónicas". Revista Estadounidense de Roentgenología . 181 (4): 1083–1088. doi :10.2214/ajr.181.4.1811083. PMID  14500236.
  5. ^ Jang, HJ; Lee, KS; Kwon, DO; et al. (1996). "Carcinoma bronquioloalveolar: área focal de atenuación en vidrio esmerilado en la TC de sección delgada como signo temprano". Radiología . 199 (2): 485–488. doi :10.1148/radiología.199.2.8668800. PMID  8668800.
  6. ^ Suzuki, K.; Li, F.; Sone, S.; Doi, K. (2005). "Esquema de diagnóstico asistido por computadora para distinguir entre nódulos benignos y malignos en TC torácica de dosis baja mediante el uso de una red neuronal artificial de entrenamiento masivo". Transacciones IEEE sobre imágenes médicas . 24 (9): 1138-1150. doi :10.1109/tmi.2005.852048. PMID  16156352. S2CID  2690415.
  7. ^ Lostumbo, A.; Suzuki, K.; Dachman, AH (2010). "Lesiones planas en colonografía por TC". Imágenes del abdomen . 35 (5): 578–583. doi :10.1007/s00261-009-9562-3. PMID  19633882. S2CID  13487349.
  8. ^ Lea, Andrew S. (2023). Digitalización del diagnóstico: medicina, mentes y máquinas en los Estados Unidos del siglo XX . Prensa de la Universidad Johns Hopkins. págs. 1–256. ISBN 978-1421446813.
  9. ^ abc Yanase J, Triantaphyllou E (2019). "Un estudio sistemático del diagnóstico asistido por computadora en medicina: desarrollos pasados ​​y presentes". Sistemas Expertos con Aplicaciones . 138 : 112821. doi : 10.1016/j.eswa.2019.112821. S2CID  199019309.
  10. ^ Shortliffe EH y Buchanan BG (1975). "Un modelo de razonamiento inexacto en medicina". Biociencias Matemáticas . 23 (3–4): 351–379. doi :10.1016/0025-5564(75)90047-4. S2CID  118063112.
  11. ^ Miller RA, Pople Jr HE y Myers JD (1982). "Internist-I, un consultor de diagnóstico informático experimental para medicina interna general". Revista de Medicina de Nueva Inglaterra . 307 (8): 468–476. doi :10.1056/NEJM198208193070803. PMID  7048091.
  12. ^ Feigenbaum, Eduardo; McCorduck, Pamela (1984). La quinta generación . Addison-Wesley. págs. 1–275. ISBN 978-0451152640.
  13. ^ Richard M. Karp (1972). "Reducibilidad entre problemas combinatorios" (PDF) . En RE Miller; JW Thatcher (eds.). Complejidad de los cálculos informáticos . Nueva York: Pleno. págs. 85-103. Archivado desde el original (PDF) el 29 de junio de 2011 . Consultado el 14 de agosto de 2019 .
  14. ^ Doi K (2007). "Diagnóstico asistido por ordenador en imágenes médicas: revisión histórica, estado actual y potencial futuro". Imágenes y gráficos médicos computarizados . 31 (4): 198–211. doi :10.1016/j.compmedimag.2007.02.002. PMC 1955762 . PMID  17349778. 
  15. ^ Echegaray, Sebastián; Gevaert, Olivier; Shah, Rajesh; Kamaya, Aya; Luis, Juan; Kothary, Nishita; Napel, Sandy (18 de noviembre de 2015). "Muestras centrales para características radiómicas que son insensibles a la segmentación de tumores: método y estudio piloto utilizando imágenes de TC de carcinoma hepatocelular". Revista de imágenes médicas . 2 (4): 041011. doi :10.1117/1.JMI.2.4.041011. PMC 4650964 . PMID  26587549. 
  16. ^ Murphy, K.; van Ginneken, B.; Schilham, AM; et al. (2009). "Una evaluación a gran escala de la detección automática de nódulos pulmonares en la TC de tórax utilizando características de imagen locales y clasificación k-vecino más cercano". Análisis de Imágenes Médicas . 13 (5): 757–770. doi :10.1016/j.media.2009.07.001. hdl : 2066/81262 . PMID  19646913. S2CID  25181663.
  17. ^ Suzuki, K.; Armato, 3º, SG; Li, F.; Sone, S.; Doi, K. (2003). "Red neuronal artificial de entrenamiento masivo (MTANN) para la reducción de falsos positivos en la detección computarizada de nódulos pulmonares en tomografía computarizada de dosis baja". Física Médica . 30 (7): 1602-1617. Código bibliográfico : 2003MedPh..30.1602S. doi :10.1118/1.1580485. PMID  12906178.{{cite journal}}: CS1 maint: numeric names: authors list (link)
  18. ^ Chan, HP; Lo, Carolina del Sur; Sahiner, B.; et al. (1995). "Detección asistida por ordenador de microcalcificaciones mamográficas: reconocimiento de patrones con una red neuronal artificial". Física Médica . 22 (10): 1555-1567. Código bibliográfico : 1995MedPh..22.1555C. doi :10.1118/1.597428. hdl : 2027.42/134770 . PMID  8551980.
  19. ^ Gletsos, Milcíades; Mougiakakou, Stavroula; Matsopoulos, George; Nikita, Konstantina; Nikita, Alejandra; Kelekis, Dimitrios (2003). "Un sistema de diagnóstico asistido por computadora para caracterizar lesiones hepáticas focales por TC: diseño y optimización de un clasificador de redes neuronales". Transacciones IEEE sobre tecnología de la información en biomedicina . 7 (3): 153–162. doi :10.1109/TITB.2003.813793. PMID  14518728. S2CID  18918667.
  20. ^ Mougiakakou, Stavroula; Golemati, Spyretta; Gousias, Ioannis; Nicolaides, Andrés; Nikita, Konstantina (2007). "Diagnóstico asistido por computadora de la aterosclerosis carotídea basado en estadísticas de imágenes de ultrasonido, textura de leyes y redes neuronales". Ultrasonido en Medicina y Biología . 33 (1): 26–36. doi :10.1016/j.ultrasmedbio.2006.07.032. PMID  17189044.
  21. ^ Stoitsis, Juan; Valavanis, Ioannis; Mougiakakou, Stavroula; Golemati, Spyretta; Nikita, Alejandra; Nikita, Konstantina (2006). "Diagnóstico asistido por ordenador basado en procesamiento de imágenes médicas y métodos de inteligencia artificial". Instrumentos y métodos nucleares en la investigación en física Sección A: aceleradores, espectrómetros, detectores y equipos asociados . 569 (2): 591–595. Código Bib : 2006NIMPA.569..591S. doi :10.1016/j.nima.2006.08.134.
  22. ^ Chen, S.; Suzuki, K.; MacMahon, H. (2011). "Desarrollo y evaluación de un esquema de diagnóstico asistido por computadora para la detección de nódulos pulmonares en radiografías de tórax mediante realce de nódulos en dos etapas con clasificación de vectores de soporte". Física Médica . 38 (4): 1844–1858. Código bibliográfico : 2011MedPh..38.1844C. doi : 10.1118/1.3561504. PMC 3069992 . PMID  21626918. 
  23. ^ Papadopoulos, A.; Fotiadis, DI; Likas, A. (2005). "Caracterización de microcalcificaciones agrupadas en mamografías digitalizadas mediante redes neuronales y máquinas de vectores de soporte". Artif Intell Med . 34 (2): 141-150. doi :10.1016/j.artmed.2004.10.001. PMID  15894178.
  24. ^ Wollenweber T.; Janke B.; Teichmann A.; Freund M. (2007). "Korrelation zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie". Geburtsh Frauenheilk . 67 (2): 135-141. doi :10.1055/s-2006-955983. S2CID  73122975.
  25. ^ abcdef Yanase J, Triantaphyllou E (2019). "Los siete desafíos clave para el futuro del diagnóstico asistido por computadora en medicina". Revista Internacional de Informática Médica . 129 : 413–422. doi :10.1016/j.ijmedinf.2019.06.017. PMID  31445285. S2CID  198287435.
  26. ^ Wadhwa, RR; Park, DY; Natowicz, señor (2018). "La precisión de las herramientas de diagnóstico informáticas para la identificación de trastornos genéticos concurrentes". Revista Estadounidense de Genética Médica, Parte A. 176 (12): 2704–2709. doi :10.1002/ajmg.a.40651. PMID  30475443. S2CID  53758271.
  27. ^ Bron EE, Smits M, Van Der Flier WM, Vrenken H, Barkhof F, Scheltens P, Papma JM, Steketee RM, Orellana CM, Meijboom R y Pinto M (2015). "Evaluación estandarizada de algoritmos para el diagnóstico de demencia asistido por computadora basado en resonancia magnética estructural: el desafío CAD Dementia". NeuroImagen . 111 : 562–579. doi : 10.1016/j.neuroimage.2015.01.048. PMC 4943029 . PMID  25652394. 
  28. ^ Taylor P, Potts HW (2008). "Ayuda informática y segunda lectura humana como intervenciones en mamografía de detección: dos revisiones sistemáticas para comparar los efectos sobre la detección del cáncer y la tasa de recuperación" (PDF) . Revista europea de cáncer . 44 (6): 798–807. doi :10.1016/j.ejca.2008.02.016. PMID  18353630.
  29. ^ Benjamens, Stan; Dhunnoo, Pranavsingh; Mesko, Bertalán (2020). "El estado de los algoritmos y dispositivos médicos aprobados por la FDA basados ​​​​en inteligencia artificial: una base de datos en línea". npj Medicina digital . 3 : 118. doi : 10.1038/s41746-020-00324-0. PMC 7486909 . PMID  32984550. 
  30. ^ Abe, Yoshiyuki; Hanai, Kouzo; Nakano, Makiko; Ohkubo, Yasuyuki; Hasizume, Toshinori; Kakizaki, Toru; Nakamura, Masato; Niki, Noboru; Eguchi, Kenji (1 de enero de 2005). "Un sistema de diagnóstico asistido por computadora (CAD) en la detección del cáncer de pulmón con tomografía computarizada". Investigación contra el cáncer . 25 (1B): 483–488. ISSN  0250-7005. PMID  15816616.
  31. ^ Wu N, Gamsu G, Czum J, Held B, Thakur R, Nicola G (marzo de 2006). "Detección de pequeños nódulos pulmonares mediante radiografía digital directa y sistemas de comunicación y archivo de imágenes". J Imágenes del tórax . 21 (1): 27–31. doi :10.1097/01.rti.0000203638.28511.9b. PMID  16538152. S2CID  31230950.
  32. ^ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1 de marzo de 1988). "Análisis de características de imagen y diagnóstico asistido por ordenador en radiografía digital. 3. Detección automatizada de nódulos en campos pulmonares periféricos". Física Médica . 15 (2): 158–166. Código bibliográfico : 1988MedPh..15..158G. doi :10.1118/1.596247. ISSN  2473-4209. PMID  3386584.
  33. ^ Ginneken, B. Van; Romeny, BM Ter Haar; Viergever, MA (1 de diciembre de 2001). "Diagnóstico asistido por ordenador en radiografía de tórax: una encuesta". Transacciones IEEE sobre imágenes médicas . 20 (12): 1228-1241. doi : 10.1109/42.974918. ISSN  0278-0062. PMID  11811823. S2CID  6280485.
  34. ^ Coppini, G.; Diciotti, S.; Falchini, M.; Villari, N.; Valli, G. (1 de diciembre de 2003). "Redes neuronales para diagnóstico asistido por ordenador: detección de nódulos pulmonares en radiografías de tórax". Transacciones IEEE sobre tecnología de la información en biomedicina . 7 (4): 344–357. doi :10.1109/TITB.2003.821313. ISSN  1089-7771. PMID  15000360. S2CID  15121082.
  35. ^ Giger, ML; Bae, KT; MacMahon, H. (1 de abril de 1994). "Detección computarizada de nódulos pulmonares en imágenes de tomografía computarizada". Radiología de Investigación . 29 (4): 459–465. doi :10.1097/00004424-199404000-00013. ISSN  0020-9996. PMID  8034453. S2CID  9800069.
  36. ^ Kanazawa, K.; Kawata, Y.; Niki, N.; Satoh, H.; Ohmatsu, H.; Kakinuma, R.; Kaneko, M.; Moriyama, N.; Eguchi, K. (1 de marzo de 1998). "Diagnóstico asistido por ordenador de nódulos pulmonares basado en imágenes de TC helicoidal". Imágenes y gráficos médicos computarizados . 22 (2): 157–167. doi :10.1016/S0895-6111(98)00017-2. ISSN  0895-6111. PMID  9719856.[ enlace muerto permanente ]
  37. ^ Chen, Sheng; Zhong, Sikai; Yao, Liping; Shang, Yanfeng; Suzuki, Kenji (2016). "Mejora de las radiografías de tórax obtenidas en la unidad de cuidados intensivos mediante supresión ósea y procesamiento constante". Física en Medicina y Biología . 61 (6): 2283–2301. Código Bib : 2016PMB....61.2283C. doi :10.1088/0031-9155/61/6/2283. PMID  26930386. S2CID  206020910.
  38. ^ Chen, S.; Suzuki, K. (1 de febrero de 2014). "Separación de huesos de radiografías de tórax mediante múltiples RNA de entrenamiento masivo anatómicamente específicas combinadas con suavizado de minimización de variación total". Transacciones IEEE sobre imágenes médicas . 33 (2): 246–257. doi :10.1109/TMI.2013.2284016. ISSN  0278-0062. PMID  24132005. S2CID  922550.
  39. ^ Suzuki, K.; Abe, H.; MacMahon, H.; Doi, K. (1 de abril de 2006). "Técnica de procesamiento de imágenes para la supresión de costillas en radiografías de tórax mediante red neuronal artificial de entrenamiento masivo (MTANN)". Transacciones IEEE sobre imágenes médicas . 25 (4): 406–416. CiteSeerX 10.1.1.589.8748 . doi :10.1109/TMI.2006.871549. ISSN  0278-0062. PMID  16608057. S2CID  17961280. 
  40. ^ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (1 de diciembre de 2006). "Aprendizaje de filtros: aplicación a la supresión de estructuras óseas de radiografías de tórax". Análisis de Imágenes Médicas . 10 (6): 826–840. doi :10.1016/j.media.2006.06.002. ISSN  1361-8415. PMID  16859953.
  41. ^ Chen, S.; Suzuki, K. (1 de febrero de 2013). "Detección computarizada de nódulos pulmonares mediante # x201C; energía dual virtual # x201D; radiografía". Transacciones IEEE sobre ingeniería biomédica . 60 (2): 369–378. doi :10.1109/TBME.2012.2226583. ISSN  0018-9294. PMC 4283823 . PMID  23193306. 
  42. ^ Campana, LTO; Gandhi, S. (2018). "Una comparación de programas de detección asistida por computadora (CAD) para la identificación de pólipos colorrectales: análisis de rendimiento y sensibilidad, limitaciones actuales y consejos prácticos para radiólogos". Radiología Clínica . 73 (6): 593.e11–593.e18. doi :10.1016/j.crad.2018.02.009. PMID  29602538. S2CID  4500060.
  43. ^ Suzuki, Kenji; Yoshida, Hiroyuki; Näppi, Janne; Dachman, Abraham H. (1 de octubre de 2006). "Red neuronal artificial de entrenamiento masivo (MTANN) para la reducción de falsos positivos en la detección de pólipos asistida por computadora: supresión de las trompas rectales". Física Médica . 33 (10): 3814–3824. Código bibliográfico : 2006MedPh..33.3814S. doi : 10.1118/1.2349839. ISSN  2473-4209. PMID  17089846.
  44. ^ Golemati, Spyretta; Nikita, Konstantina (2019). Computación Cardiovascular-Metodologías y Aplicaciones Clínicas . Saltador.
  45. ^ Gastounioti, Aimilia; Makrodimitris, Stavros; Golemati, Spyretta; Kadoglou, Nikolaos; Liapis, Christos; Nikita, Konstantina (2014). "Una nueva herramienta computarizada para estratificar el riesgo en la aterosclerosis carotídea utilizando características cinemáticas de la pared arterial". Revista IEEE de Informática Biomédica y de Salud . 19 (3): 1137-1145. doi : 10.1109/JBHI.2014.2329604 . PMID  24951709. S2CID  5924749.
  46. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2013). "Hacia nuevos marcadores no invasivos y de bajo costo para predecir accidentes cerebrovasculares en la aterosclerosis carotídea asintomática: el papel del análisis de imágenes por ultrasonido". Transacciones IEEE sobre ingeniería biomédica . 60 (3): 652–658. doi :10.1109/TBME.2013.2244601. PMID  23380846. S2CID  5653986.
  47. ^ Golemati, Spyretta; Patelaki, Eleni; Gastounioti, Aimilia; Andreadis, Ioannis; Liapis, Christos; Nikita, Konstantina (2020). "Patrones de sincronización de movimiento de la placa de ateroma carotídea a partir de ecografía en modo B". Informes científicos . 10 (1): 11221. Código bibliográfico : 2020NatSR..1011221G. doi :10.1038/s41598-020-65340-2. PMC 7343786 . PMID  32641773. 
  48. ^ Rizi, Fereshteh; Au, Jason; Yli-Ollila, Heikki; Golemati, Spyretta; Makunaite, Mónica; Orkisz, Maciej; Navab, Nassir; MacDonald, Maureen; Laitinen, Tiina Marja; Behnam, Hamid; Gao, Zhifan; Gastounioti, Aimilia; Jurkonis, Rytis; Vray, Didier; Laitinen, Tomi; Serusclat, André; Nikita, Konstantina; Zahnd, Guillaume (2020). "Movimiento longitudinal de la pared carotídea en imágenes por ultrasonido: una revisión de consenso de expertos". Ultrasonido en Medicina y Biología . 46 (10): 2605–2624. doi :10.1016/j.ultrasmedbio.2020.06.006. PMID  32709520. S2CID  225545904.
  49. ^ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2016). "Estimación del movimiento del tejido cardiovascular basada en imágenes de ultrasonido". Reseñas del IEEE sobre ingeniería biomédica . 9 : 208–218. doi :10.1109/RBME.2016.2558147. S2CID  23333131.
  50. ^ Gastounioti, Aimilia; Golemati, Spyretta; Stoitsis, Juan; Nikita, Konstantina (2013). "Análisis del movimiento de la pared de la arteria carótida a partir de ecografía en modo B mediante coincidencia de bloques adaptativos: evaluación in silico y aplicación in vivo". Física en Medicina y Biología . 58 (24): 8647–8661. Código Bib : 2013PMB....58.8647G. doi :10.1088/0031-9155/58/24/8647. PMID  24256708. S2CID  11571104.
  51. ^ Gastounioti, Aimilia; Kolias, Vasileios; Golemati, Spyretta; Tsiaparas, Nikolaos; Matsakou, Aikaterini; Stoitsis, Juan; Kadoglou, Nikolaos; Gkekas, Cristos; Kakisis, John; Liapis, Christos; Karakitsos, Petros; Sarafis, Ioannis; Angelidis, Padelis; Nikita, Konstantina (2014). "CAROTID: una plataforma web para una gestión personalizada óptima de pacientes ateroscleróticos". Métodos y Programas Informáticos en Biomedicina . 114 (2): 183–193. doi :10.1016/j.cmpb.2014.02.006. PMID  24636805.
  52. ^ Goldenberg, romano; Eilot, Dov; Begelman, Grigory; Walach, Eugenio; Ben-Ishai, Eyal; Peled, Nathan (2012). "Triaje simple asistido por computadora (CAST) para angiografía coronaria por TC (CCTA)". Revista Internacional de Radiología y Cirugía Asistidas por Computadora . 7 (6): 819–827. doi :10.1007/s11548-012-0684-7. ISSN  1861-6410. PMID  22484719. S2CID  5627031.
  53. ^ Chaplot, Sandeep; Patnaik, LM; Jagannathan, NR (2006). "Clasificación de imágenes cerebrales por resonancia magnética utilizando wavelets como entrada para soportar máquinas vectoriales y redes neuronales". Procesamiento y Control de Señales Biomédicas . 1 : 86–92. doi :10.1016/j.bspc.2006.05.002.
  54. ^ Maitra, Madhubanti; Chatterjee, Amitava (2006). "Un sistema inteligente basado en transformada Slantlet para la clasificación de imágenes cerebrales por resonancia magnética". Procesamiento y Control de Señales Biomédicas . 1 (4): 299–306. doi :10.1016/j.bspc.2006.12.001.
  55. ^ Wang, S.; Wu, W. (2010). "Un método novedoso para la clasificación de imágenes cerebrales por resonancia magnética basado en PSO caótico adaptativo". Avances en la Investigación Electromagnética . 109 : 325–343. doi : 10.2528/PIER10090105 .
  56. ^ Zhang, Yudong; Wu, L. (2011). "Clasificación de imágenes cerebrales por resonancia magnética mediante un algoritmo mejorado de colonias de abejas artificiales". Avances en la Investigación Electromagnética . 2011 : 65–79. doi : 10.2528/PIER11031709 .
  57. ^ ab Padma, A.; Sukanesh, R. (2014). "Segmentación y clasificación de imágenes de TC cerebral mediante características de textura estadística de ondículas combinadas". Revista árabe de ciencia e ingeniería . 39 (2): 767–776. doi :10.1007/s13369-013-0649-3. S2CID  62615810.
  58. ^ Zhang, Yudong; Dong, Zhengchao; Ji, Genlin (2015). "Efecto del diagrama de telaraña en la clasificación de imágenes cerebrales por resonancia magnética". Letras de reconocimiento de patrones . 62 : 14-16. Código Bib : 2015PaReL..62...14Z. doi :10.1016/j.patrec.2015.04.016.
  59. ^ Zhang, Y.; Wang, S.; Ji, G.; Dong, Z. (2013). "Búsqueda de patrones genéticos y su aplicación a la clasificación de imágenes cerebrales". Problemas Matemáticos en Ingeniería . 2013 : 1–8. doi : 10.1155/2013/580876 .
  60. ^ Das S.; Chowdhury M.; Kundu MK (2013). "Clasificación de imágenes de resonancia magnética cerebral mediante análisis geométrico multiescala de ondas". Avances en la Investigación Electromagnética . 137 : 1–17. doi : 10.2528/pier13010105 .
  61. ^ Zhang, Y.; Wang, S. (2013). "Un sistema clasificador de imágenes cerebrales por resonancia magnética mediante optimización de enjambre de partículas y máquina de vectores de soporte del kernel". La Revista del Mundo Científico . 2013 : 130134. doi : 10.1155/2013/130134 . PMC 3791634 . PMID  24163610. 
  62. ^ Kalbkhani H.; Shayesteh MG; Zali-Vargahan B. (2013). "Algoritmo robusto para la clasificación de imágenes de resonancia magnética (MRI) cerebral basado en series de variaciones GARCH". Procesamiento y Control de Señales Biomédicas . 8 (6): 909–919. doi :10.1016/j.bspc.2013.09.001.
  63. ^ El-Dahshan ESA; Mohsen HM; Revett K.; et al. (2014). "Diagnóstico asistido por computadora de tumor cerebral humano mediante resonancia magnética: una encuesta y un nuevo algoritmo". Sistemas Expertos con Aplicaciones . 41 (11): 5526–5545. doi :10.1016/j.eswa.2014.01.021.
  64. ^ Zhou, Xing-Xing (2015). "Detección de cerebro patológico en exploración por resonancia magnética basada en entropía de ondas y clasificador ingenuo de Bayes". Bioinformática e Ingeniería Biomédica . Apuntes de conferencias sobre informática. vol. 9043, págs. 201–209. doi :10.1007/978-3-319-16483-0_20. ISBN 978-3-319-16482-3.
  65. ^ Zhang, Yudong; Wang, Shuihua; Dong, Zhengchao (2014). "Clasificación de la enfermedad de Alzheimer basada en imágenes de resonancia magnética estructural mediante el árbol de decisión de la máquina de vectores de soporte del núcleo". Avances en la Investigación Electromagnética . 144 : 185-191. doi : 10.2528/PIER13121310 .
  66. ^ Signaevsky, Maxim; Prastawa, Marcel; Farrell, Kurt; Tabish, Nabil; Baldwin, Elena; Han, Natalia; Iida, Megan; Koll, Juan; Bryce, Clara; Purohit, Dushyant; Haroutunian, Vahram; McKee, Ann; Stein, Thor; Blanco-III, Charles; Caminante, Jamie; Richardson, Timoteo; Hanson, Russell; Cordón-Cardo, Carlos; Donovan, Michael; Zeineh, Jack; Fernández, Gerardo; Crary, John (2019). "Inteligencia artificial en neuropatología: evaluación de la tauopatía basada en el aprendizaje profundo". Investigación de laboratorio . 99 (7): 1019-1029. doi : 10.1038/s41374-019-0202-4 . PMC 7684013 . PMID  30770886. 
  67. ^ Friston, K.; Poline, JP.; Holmes, CJ; Frith, CD; Frackowiak, RS (1996). "Un análisis multivariado de estudios de activación de PET". Tararear. Mapa cerebral . 4 (2): 140-151. doi :10.1002/(SICI)1097-0193(1996)4:2<140::AID-HBM5>3.0.CO;2-3. PMID  20408193. S2CID  9074888.
  68. ^ Martínez-Murcia, FJ; Gorriz, JM; Ramírez, J.; Puntonet, CG; Illán, IA (2013). "Mapas de actividad funcional basados ​​en medidas de significancia y análisis de componentes independientes". Métodos y Programas Informáticos en Biomedicina . 111 (1): 255–268. doi :10.1016/j.cmpb.2013.03.015. PMC 6701938 . PMID  23660005. 
  69. ^ Dong, ZC (2015). "Detección de sujetos y regiones cerebrales relacionadas con la enfermedad de Alzheimer mediante resonancia magnética 3D basada en cerebro propio y aprendizaje automático". Fronteras en neurociencia computacional . 66 (9): 66. doi : 10.3389/fncom.2015.00066 . PMC 4451357 . PMID  26082713. 
  70. ^ Zhang, J.; Yu, C.; Jiang, G.; Liu, W.; Tong, L. (2012). "Análisis de textura 3D en imágenes de resonancia magnética de la enfermedad de Alzheimer". Imágenes cerebrales y comportamiento . 6 (1): 61–69. doi :10.1007/s11682-011-9142-3. PMID  22101754. S2CID  10069584.
  71. ^ Chupin, Marie; Gerardin, Emilie; Cuingnet, Rémi; Boutet, Claire; Lemieux, Luis; Lehericy, Stéphane; Benali, Habib; Garnero, Línea; Colliot, Olivier (2009). "Segmentación y clasificación totalmente automática del hipocampo en la enfermedad de Alzheimer y deterioro cognitivo leve aplicada a datos de ADNI". Hipocampo . 19 (6): 579–587. doi :10.1002/hipo.20626. PMC 2837195 . PMID  19437497. 
  72. ^ Martínez-Murcia, FJ; Gorriz, JM; Ramírez, J.; Ortíz, A. (2016). "Un mapeo cerebral esférico de imágenes de resonancia magnética para la detección de la enfermedad de Alzheimer". Investigación actual sobre el Alzheimer . 13 (5): 575–588. doi :10.2174/1567205013666160314145158. hdl : 10481/42543 . PMID  26971941. S2CID  30472186.
  73. ^ "Diagnóstico EXINI".
  74. ^ Huang, Kao y Chen (18 de junio de 2007). "Un conjunto de algoritmos de procesamiento de imágenes para el diagnóstico asistido por computadora en imágenes de exploración ósea de todo el cuerpo en medicina nuclear". Transacciones IEEE sobre ciencia nuclear . 54 (3): 514–522. Código Bib : 2007ITNS...54..514H. doi :10.1109/TNS.2007.897830. S2CID  20730927.
  75. ^ abcde Kaur, M; Talwar, R (2014). "Revisión sobre: ​​extracción de vasos sanguíneos y detección de retinopatía ocular". Revista Internacional de Ciencias de la Computación y Tecnologías de la Información . 5 (6): 7513–7516. S2CID  17460643.
  76. ^ ab Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J; Liew, G; Bólter, L; Srinivas, S; Nittala, M; Sadda, S; Taylor, P; Rudnicka, AR (sin fecha). "Software automatizado de evaluación de imágenes de retinopatía diabética: precisión diagnóstica y rentabilidad en comparación con los calificadores humanos". Oftalmología . 124 (3): 343–351. doi : 10.1016/j.ophtha.2016.11.014 . PMID  28024825.
  77. ^ abcdefg Ahmad, A.; Mansoor, AB; Mumtaz, R.; Khan, M.; Mirza, SH (1 de diciembre de 2014). "Procesamiento y clasificación de imágenes en retinopatía diabética: una revisión". 2014 V Taller Europeo sobre Procesamiento de Información Visual (EUVIP) . págs. 1–6. doi :10.1109/EUVIP.2014.7018362. ISBN 978-1-4799-4572-6. S2CID  16465894.
  78. ^ Fraz, MM; Barman, SA; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, AR; Owen, CG (1 de noviembre de 2012). "Un enfoque para localizar los vasos sanguíneos de la retina mediante planos de bits y detección de línea central". Computadora. Métodos Prog. Biomédica . 108 (2): 600–616. doi :10.1016/j.cmpb.2011.08.009. ISSN  0169-2607. PMID  21963241.
  79. ^ Priya, R; Aruña, P (2011). "Revisión del diagnóstico automatizado de retinopatía diabética mediante la máquina de vectores de soporte". Revista internacional de investigación en ingeniería aplicada, Dindigul . 1 (4): 844–862.
  80. ^ Abedin, Zain ul (10 de noviembre de 2023). "¿Qué es CAD/CAM?" . Consultado el 7 de febrero de 2024 .
  81. ^ Saleh, Marwan D.; Eswaran, C. (1 de octubre de 2012). "Un sistema automatizado de apoyo a las decisiones para la enfermedad de retinopatía diabética no proliferativa basado en la detección de MA y HA". Computadora. Métodos Prog. Biomédica . 108 (1): 186–196. doi :10.1016/j.cmpb.2012.03.004. ISSN  0169-2607. PMID  22551841.
  82. ^ abAntal , B.; Hajdu, A. (1 de junio de 2012). "Un sistema basado en conjuntos para la detección de microaneurismas y la clasificación de la retinopatía diabética". Transacciones IEEE sobre ingeniería biomédica . 59 (6): 1720-1726. arXiv : 1410.8577 . doi :10.1109/TBME.2012.2193126. ISSN  0018-9294. PMID  22481810. S2CID  16382245.
  83. ^ ab Administrador (20 de mayo de 2015). "Revisión sobre: ​​Detección de retinopatía diabética mediante SVM y MDA". Revista Internacional de Aplicaciones Informáticas . 117 (20): 1–3. Código Bib : 2015IJCA..117t...1S. doi : 10.5120/20667-2485 .
  84. ^ Espona, L.; Carreira, MJ; Ortega, M.; Penedo, MG (6 de junio de 2007). "Una serpiente para la segmentación de los vasos de la retina". En Martí, Joan; Benedí, José Miguel; Mendonça, Ana María; Serrat, Joan (eds.). Reconocimiento de patrones y análisis de imágenes . Apuntes de conferencias sobre informática. vol. 4478. Springer Berlín Heidelberg. págs. 178–185. doi :10.1007/978-3-540-72849-8_23. ISBN 9783540728481.
  85. ^ Paiva, Omir Antunes; Prevedello, Luciano M. (octubre de 2017). "El impacto potencial de la inteligencia artificial en radiología". Radiología Brasileira . 50 (5): V-VI. doi :10.1590/0100-3984.2017.50.5e1. PMC 5656066 . PMID  29085178. 
  86. ^ Mukherjee, Siddhartha (27 de marzo de 2017). "AI versus MD" The New Yorker . Consultado el 3 de febrero de 2018 .
  87. ^ "Por qué la inteligencia artificial de lectura de escaneos es una mala noticia para los radiólogos". El economista . 29 de noviembre de 2017 . Consultado el 3 de febrero de 2018 .
  88. ^ Jha, Saurabh; Topol, Eric J. (13 de diciembre de 2016). "Adaptación a la Inteligencia Artificial". JAMA . 316 (22): 2353–2354. doi :10.1001/jama.2016.17438. PMID  27898975. S2CID  3662362.

enlaces externos