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]
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]
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.
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 .
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:
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]
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 .
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 .
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]
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 .
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]
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.
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]
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]
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]
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]
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]
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.
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 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.
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]
{{cite journal}}
: CS1 maint: numeric names: authors list (link)