TRACK 8. Lastest technology trends in health science education
Authors: Jorge Hernández Rodríguez, Francisco Javier Cabrero Fraile, María José Rodríguez Conde and Pablo Luis Gómez Llorente
PINTURA DEL RENACIMIENTO EN ESPAÑA (SIGLO XVI).ppt
Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
1. Computer Aided Detection and Diagnosis
in Medical Imaging: a review of clinical
and educational applications
Jorge Hernández Rodríguez
Programa de Doctorado de Formación en la Sociedad del Conocimiento
Hernández Rodríguez, Jorge; Cabrero Fraile, Francisco Javier,
Rodríguez Conde, María José; Gómez Llorente, Pablo Luis
Track 8: Latest Technology Trends in Health
Sciences Education
2. 2
ÍNDICE
● Detección y Diagnóstico Asistidos por Ordenador
▪ Introducción
▪ Tipos de sistemas CAD
● Redes Neuronales Artificiales
▪ Definición y arquitecturas
▪ Deep Learning y redes neuronales de convolución
● Ventajas y limitaciones de los sistemas CAD
● Bases de datos de imágenes médicas
● Aplicaciones clínicas del CAD
▪ Tomografía computarizada
▪ Mamografía
● Aplicaciones educativas del CAD en medicina
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
3. 3
DETECCIÓN Y DIAGNÓSTICO ASISTIDOS POR ORDENADOR
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
CAD
Procedimiento informático que asiste al
especialista médico o radiólogo en la
interpretación de imágenes radiológicas
Salida del software:
“Segunda opinión”
CADe y CADx
Algoritmos de
“Machine Learning”
Análisis y
clasificación de
imágenes médicas
Detección y clasificación de nódulos en TC y radiografías de tórax, masas y
microcalcificaciones en mamografías, pólipos en colonografías TC, detección de aneurismas
en RMN cerebral, segmentación de estructuras, detección de metástasis óseas…
Ejemplos: Análisis discriminante lineal y cuadrático, máquinas de vectores de soporte,
random forests, redes neuronales artificiales (perceptrón multicapa y basadas en píxeles)
PML Neural filters, CNNs, MTANNs, SINNs, Deep Learning…
4. 4
DETECCIÓN Y DIAGNÓSTICO ASISTIDOS POR ORDENADOR
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Clasificación del CADCADe
Extracción de características
Clasificación de candidatos en base a características
Aplicación de métodos de reducción de falsos positivos
Resultado final: lesiones detectadas y sus características
Segmentación del órgano estudiado
Preprocesado: realce de lesiones
Detección de candidatos a lesión
Segmentación de los candidatos detectados
CADx
Inicio: detección manual o automática
de lesiones (CADe previo)
Extracción de características y análisis de lesiones
(Ej. Sistema PML)
Clasificación de lesiones basada en
características extraídas.
Resultado final: Diagnóstico de las
lesiones examinadas. Tipo de lesión
(benigna o maligna), tipo de tejido
(diferentes clases), grado de
malignidad. Suelen incluir una
probabilidad asociada.
5. 5
REDES NEURONALES ARTIFICIALES (I)
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Modelos computacionales inspirados en sistemas biológicos
Unidades funcionales: neuronas Disposición de las neuronas en capas con unidades interconectadas
Ejemplo de arquitectura de una red neuronal
Funciones de
activación
6. 6
REDES NEURONALES ARTIFICIALES (II)
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Aprendizaje: adaptación de los valores de los parámetros de la red según un conjunto de reglas
Tipos de aprendizaje
Supervisado
No supervisado
Corrección de pesos basada en desviaciones
del output de la red y los valores esperados
El output es desconocido. La red se
reorganiza y actualiza decidiendo el mejor
resultado (aprendizaje competitivo)
¡Capacidad de
generalización!
7. 7
REDES NEURONALES ARTIFICIALES (III)
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Algoritmo estándar → Stochastic gradient
descent (SGD) combinado con retropropagación
OBJETIVO: Evitar overfitting
Regularización
Dropout Early stopping
Variaciones
de SGD
8. 8
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
REDES NEURONALES ARTIFICIALES (IV): CNNs
Ejemplo de arquitectura CNN
Capa de
convolución
Capa de
pooling
9. Gran potencial como método de asistencia al radiólogo
Reducción de la variabilidad y del número de errores en la interpretación de casos
Proporcionan acceso a aspectos “ocultos” de las imágenes (visión artificial)
Capaces de procesar enormes cantidades de datos
Evitan errores derivados del cálculo a partir de estructuras previamente segmentadas
Disponibilidad de grandes bases de datos de imágenes validadas y anotadas en ciertos casos
Sobreajuste o overfitting: pérdida de capacidad de generalización. Existen técnicas para evitarlo
Número de falsos positivos detectados
9
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
VENTAJAS Y LIMITACIONES DE LOS SISTEMAS CAD
10. 10
BASES DE DATOS DE IMÁGENES MÉDICAS
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
11. APLICACIONES CLÍNICAS DEL CAD (I): TC DE TÓRAX
Suzuki (2005)
Academic Radiology
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Shen et al. (2015). Information
processing in medical imaging
CNNs multi escala
Exactitud de clasificación del 86,4%
en la base de datos LIDC-IDRI.
MTANNs
CLASIFICACIÓN DE NÓDULOS
DETECCIÓN DE NÓDULOS BASADA EN
SUSTRACCIÓN TEMPORAL DE IMÁGENES
Cheng et al.(2016)
Scientific reports- Nature
Tokisa (2012) Int. Journal of Fuzzy
logic and Intelligent Systems
He (2014) Physics in
Medicine and Biology
CLASIFICACIÓN DE NÓDULOS Y
LESIONES EN ULTRASONIDOS
Mejores resultados: clasificador SDAE
DISTINCIÓN ENTRE NÓDULOS Y VASOS SANGUÍNEOS
CARACTERIZACIÓN DE NÓDULOS
SEGÚN SU GRADO DE SUTILEZA
ANNs
Deep Learning
Buena concordancia con la
clasificación de los expertos.
Entrenamiento de este tipo de sistemas con pocos casos
Sensibilidad del sistema del 87,1%
Sustracción temporal
12. APLICACIONES CLÍNICAS DEL CAD (II): CAD en diversas localizaciones
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Roth et.al. (2016).
IEEE Transactions on Medical Imaging
Redes Neuronales de Convolución
● Sistema CADe jerárquico de dos niveles
● Nuevo método: descomposición de imagen 2,5D
● Amplio rango de aplicaciones:
Metástasis en columna vertebral esclerótica
Nódulos linfáticos torácico abdominales
Pólipos en el colon
● Diferentes algoritmos de generación de candidatos
● Sistemas de reducción de falsos positivos
Detección de metástasis óseas Detección de nódulos linfáticos
Influencia del número de vistas aleatorias
en el funcionamiento
Funcionamiento de los diferentes sistemas sobre los conjuntos de
entrenamiento y validación. Detección de nódulos linfáticos.
13. 13
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
APLICACIONES CLÍNICAS DEL CAD (III): COLONOGRAFÍA TC
● Modalidad de screening: detección y clasificación de pólipos precursores del cáncer colorrectal
● CADe : mejora en la detección de pólipos, reduce variabilidad interobservador y tiempo de interpretación de imágenes
● Desventaja principal: elevado número de falsos positivos
Trilisky et al. (2014)
Radiographics
Pólipo sospechoso
Ejemplos de diversos tipos de falsos
positivos detectados por CAD
▪ Necesidad de entrenamiento para identificar falsos positivos
▪ Tasas de detección similares a las de la colonoscopia óptica
14. 14
APLICACIONES CLÍNICAS DEL CAD (IV): COLONOGRAFÍA TC
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Devi. et al. (2015) Computational and
Mathematical Methods in Medicine
Segmentación del colon: fundamental en sistemas CAD
Segmentación
manual
Segmentación
automática
Suzuki et al. (2008) Medical Physics
Reducir el número de falsos positivos sin perder sensibilidad
Mezcla de redes de tipo 3D MTANN: especializadas en la
distinción entre pólipos y un tipo de falso positivo
15. APLICACIONES CLÍNICAS DEL CAD (V): MAMOGRAFÍA
Arévalo et. Al (2015)
Computer Methods and
Programs in Biomedicine
Detección y clasificación de masas
en mamografías basado en
métodos de Deep Learning
Importancia de las técnicas de preprocesado
Técnicas de normalización de
contraste global y local
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
COMPARACIÓN CON OTROS MÉTODOS
Mejores resultados (área bajo la curva ROC): red CNN3
Arquitectura de tipo CNN que proporciona los mejores
resultados en la clasificación de masas
16. 16
APLICACIONES CLÍNICAS DEL CAD (VI): MAMOGRAFÍA
Dubrovina et al. (2016). Computer
Methods in Biomechanical and
Biomedical Engineering.
Clasificación automática de tejidos en la mama. Método basado en CNN
▪ Tipos de tejido: músculo pectoral,
tejido fibroglandular, tejido general
(adiposo y piel) y zona areolar
SEGMENTACIÓN MANUAL
(dos ejemplos) SEGMENTACIÓN AUTOMÁTICA
▪ Método rápido
▪ Necesidad de postprocesado
▪ Buenos resultados en la segmentación
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
17. 17
APLICACIONES CLÍNICAS DEL CAD (VII): MAMOGRAFÍA
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Agarwal et al. (2015) .
Cs231n Stanford Reports
Clasificación de lesiones
en mamografías: dos
tipos de sistemas.
Redes Neuronales de
Convolución
Masas. vs. Microcalcificaciones Lesiones Benignas. vs. Malignas
Exactitud máxima
alcanzada del 86%
Mejor exactitud de
validación en el set
de prueba de 69,8 %
Importancia del tamaño
de la muestra de
entrenamiento
Problema más
complicado: establecer el
grado de malignidad
(variedad en las lesiones)
18. 18
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (I)
Mazurowski et al. (2010)
Medical Physics.
Patrones propios e identificables en la
interpretación de mamografías y a la hora
de cometer errores según el radiólogo .
Modelos de usuario para 10
radiólogos en formación
Métodos: k-vecinos
cercanos, redes neuronales y
regresión múltiple
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Modalidad: mamografía
Detección de masas
El modelo desarrollado predice el
nivel de dificultad de un determinado
caso para un usuario concreto
Sistemas de formación en medicina individualizados
(asistidos por ordenador): mejora de la eficiencia en el
aprendizaje y de la capacidad diagnóstica de los residentes
19. 19
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (II)
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Zhang et al. (2015)
Journal of Biomedical Informatics
Desarrollo de un modelo informático
capaz de predecir las localizaciones donde
es más probable detectar un falso positivo
Predicción individualizada
Modalidad: Mamografía
Residentes en radiología
PROCESO
1.- Detección de zonas sospechosas CADe
2.- Extracción de características
3.- Clasificador entrenado con anotaciones
previas de los residentes. Predice
localizaciones de falsos positivos
Permite focalizar esfuerzos
en la formación y mejorar el
proceso de aprendizaje
20. 20
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (III)
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Zhang et al. (2014) Medical Physics
● Anterior trabajo: predicción basada en
anotaciones realizadas por humanos.
● Este trabajo: extracción de rasgos mediante
algoritmos de visión artificial para predecir la
localización de los errores.
Existen patrones a la hora de cometer errores
Se pueden predecir casos más propensos a error
Ping et al. (2005) Academic Radiology
● Influencia del CAD en el aprendizaje.
● Formación basada en un programa cognitivo-perceptual,
focalización de la atención, conocimiento basado en
procedimientos.
● Análisis de las interacciones CAD - usuario.
● Programa de lectura de mamografías asistido por CAD.
● Hipótesis: hay diferencias en
la interpretación de imágenes
si se ha seguido un programa
de formación basado en CAD.
Efectos positivos derivados
del uso del CAD (tests pre-
y post-entrenamiento)
21. 21
Track 8: Computer Aided Detection and Diagnosis in medical imaging:
a review of clinical and educational applications
Welter et al. (2011) BMC Medical
informatics & Decision making
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (IV)
● Integración en el entorno de trabajo clínico (nuevos casos almacenados a diario)
● CBR: case-based reasoning
● CBIR: content-based image retrieval (de especial utilidad para el CAD)
● Recuperación de contenidos del PACS (acceso a repositorios de imágenes)
● Adquisición de contenidos científicos y habilidades profesionales
IBCR-RE: image-based case retrieval for radiological education
Sistema de aprendizaje en radiodiagnóstico
para la formación de futuros especialistas
Presentación del artículo de revisión sobre las aplicaciones clínicas y educativas del la Detección y Diagnóstico Asistidos por Ordenador.
A continuación presento la estructura de la comunicación. En primer lugar realizaré una introducción al Diagnóstico y Detección Asistidos por Ordenador, incluyendo una serie de definiciones básicas y los tipos fundamentales de sistemas CAD. Describiré con algo más de detalle, los sistemas de Inteligencia Artificial conocidos como redes neuronales, en los que están basados algunos de estos sistemas. El uso de bases de datos de imágenes médicas es fundamental para poder construir y ajustar estos sistemas. Se hará un repaso de algunos casos concretos de aplicaciones clínicas y educativas encontrados en la bibliografía.