Una visualización de ejemplo utilizando la arquitectura de red neuronal propuesta, con vista axial (arriba) y vista 3D (abajo). Gris cerebral, blanco cerebral, y las materias grises cerebelosas se ocultan para una mejor ilustración. Crédito:IBM
Las imágenes médicas crean una enorme cantidad de datos:muchos radiólogos de la sala de emergencias deben examinar hasta 200 casos cada día, y algunos estudios médicos contienen hasta 3, 000 imágenes. La colección de imágenes de cada paciente puede contener 250 GB de datos, en última instancia, creando colecciones en organizaciones que tienen un tamaño de petabytes. Dentro de IBM Research, Vemos potencial en la aplicación de IA para ayudar a los radiólogos a examinar esta información, incluido el análisis de imágenes de la mama, hígado, y exámenes pulmonares.
Los investigadores de IBM están aplicando el aprendizaje profundo para descubrir formas de superar algunos de los desafíos técnicos que la IA puede enfrentar al analizar rayos X y otras imágenes médicas. Sus últimos hallazgos se presentarán en la 21a Conferencia Internacional sobre Computación de Imagen Médica e Intervención Asistida por Computadora en Granada, España, del 16 al 20 de septiembre.
Las redes neuronales artificiales a menudo pueden tener dificultades para aprender cuando se les presenta una cantidad insuficiente de datos de entrenamiento. Estas redes también enfrentan el desafío de identificar regiones muy pequeñas en imágenes que representan anomalías, como nódulos y masas, que podrían representar cánceres.
En MICCAI 2018, Los investigadores de IBM Research-Almaden e IBM Research-Haifa presentarán artículos que describen enfoques novedosos para el aprendizaje profundo que pueden tener el potencial de ayudar a abordar algunos de estos desafíos.
Aprendiendo de datos incompletos
El becario de IBM Research-Almaden, Tanveer Syeda-Mahmood, presentará un novedoso diseño de red de IA que se demostró en un estudio que es capaz de analizar el doble de posibles marcadores de enfermedades en imágenes en 3D. así como pequeñas estructuras segmentadas con precisión en esas imágenes, en la mitad del tiempo que las arquitecturas de red basadas en inteligencia artificial previamente estudiadas.
Los resultados de muestra de una nueva arquitectura de red muestran el cuadrilátero estimado en rojo y el marcado por un radiólogo en azul. El rendimiento es una mejora significativa con respecto a una arquitectura anterior. Crédito:IBM
Las redes neuronales profundas que se utilizan para entrenar sistemas de inteligencia artificial a veces pueden tener dificultades para descomponer imágenes médicas. un proceso llamado segmentación. Esto puede presentar desafíos para identificar con precisión pequeños marcadores de enfermedades, limitar el uso de estas redes en entornos clínicos. El proyecto es nuestro primer esfuerzo dirigido directamente a este desafío.
Entrenamiento de IA con datos mínimos
Mehdi Moradi, Gerente de análisis de imágenes e investigación de aprendizaje automático de IBM Research-Almaden, y sus colegas discutirán su estudio de arquitecturas de redes neuronales que fueron capacitadas usando imágenes y texto para marcar automáticamente regiones de nuevas imágenes médicas que los médicos pueden examinar de cerca en busca de signos de enfermedad.
Los investigadores entrenaron una red usando imágenes y datos de texto combinados y una segunda red usando texto e imágenes separados. porque hay diferentes formas en que un sistema de imágenes basado en IA puede recibir información para analizar. En el estudio, Ambas redes localizaron de forma autónoma las posibles amenazas para la salud en las radiografías de tórax con un nivel de precisión comparable al de los radiólogos experimentados que analizan y anotan las mismas imágenes.
En estos ejemplos de detección de lesiones, los contornos rojos denotan pares detectados automáticamente que corresponden a la verdad del suelo; Los contornos cian son detecciones automáticas de falsos positivos que se redujeron mediante el algoritmo de doble vista. Crédito:IBM
Reconociendo anomalías oscuras
Científicos de IBM Research-Haifa en Israel desarrollaron una red neuronal profunda especializada diseñada para la detección masiva y la localización en mamografías mamarias y presentarán sus hallazgos en el 4º Taller de análisis de imágenes mamarias del MICCAI.
La detección estándar del cáncer de mama implica tomar dos proyecciones de rayos X de mamografía para cada mama y comparar las vistas para identificar áreas de interés. El diseño de la nueva red incluía subredes "siamesas" idénticas, a partir de los cuales se compararon los análisis para producir evaluaciones de imágenes. El estudio sugirió una forma eficaz de entrenar a la IA para señalar áreas de tejido mamario anormal y potencialmente canceroso.
A medida que la cantidad de imágenes médicas tomadas en los EE. UU. Alcanza decenas de millones al año, Las organizaciones sanitarias recurren cada vez más a la IA para ayudarles a analizar de forma precisa y eficiente la información vital contenida en las resonancias magnéticas de los pacientes. Tomografías computarizadas, y otras ayudas de diagnóstico visual. Una investigación de Consumer Reports de 2015 encontró que solo se realizan 80 millones de tomografías computarizadas anualmente en los EE. UU. planificar las opciones de tratamiento, y realizar estudios clínicos.
Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.
