{"id":2700,"date":"2024-06-25T10:25:02","date_gmt":"2024-06-25T13:25:02","guid":{"rendered":"https:\/\/icc.fcen.uba.ar\/?p=2700"},"modified":"2024-08-13T11:36:20","modified_gmt":"2024-08-13T14:36:20","slug":"deep-learning-para-la-segmentacion-de-imagenes-medicas","status":"publish","type":"post","link":"https:\/\/icc.fcen.uba.ar\/en\/deep-learning-para-la-segmentacion-de-imagenes-medicas\/","title":{"rendered":"Deep Learning para la segmentaci\u00f3n de im\u00e1genes m\u00e9dicas"},"content":{"rendered":"

Desde el ICC se realizan investigaciones en inteligencia artificial que buscan mejorar el diagn\u00f3stico de enfermedades a partir del an\u00e1lisis de las im\u00e1genes m\u00e9dicas. Recientemente Enzo Ferrante, investigador de CONICET, se incorpor\u00f3 al Instituto de Ciencias de la Computaci\u00f3n y en esta nota nos cuenta en detalle c\u00f3mo es desarrollar m\u00e9todos computacionales basados en aprendizaje profundo para el an\u00e1lisis de im\u00e1genes m\u00e9dicas y qu\u00e9 problemas busca resolver.<\/b><\/p>\n

Las t\u00e9cnicas relacionadas a la inteligencia artificial (IA), especialmente en aprendizaje autom\u00e1tico y aprendizaje profundo, han experimentado un importante salto cualitativo e impacto en diversos dominios. Sin dudas que el campo de la salud no est\u00e1 exento de estos avances, ya que estas t\u00e9cnicas prometen revolucionar el cuidado de la salud en todas las \u00e1reas m\u00e9dicas, lo que podr\u00eda representar el \u201cmomento Gutenberg\u201d para la medicina.<\/span><\/p>\n

Claramente estos avances contribuyen directamente en el apoyo al diagn\u00f3stico m\u00e9dico y la toma de decisiones por parte de los profesionales m\u00e9dicos en el tratamiento de enfermedades, ofreciendo ciertas ventajas: reducir el agotamiento del personal m\u00e9dico, disminuir la frecuencia de errores m\u00e9dicos y mejorar la precisi\u00f3n diagn\u00f3stica a trav\u00e9s de la integraci\u00f3n, el an\u00e1lisis y la interpretaci\u00f3n de informaci\u00f3n (grandes vol\u00famenes de datos complejos) por algoritmos y software. Tambi\u00e9n la automatizaci\u00f3n de actividades repetitivas puede liberar de tiempo al personal de salud para dedicarse a otras tareas de mayor envergadura.<\/span><\/p>\n

\"\"<\/span><\/p>\n

Dentro del ICC, se est\u00e1n desarrollando investigaciones que buscan mejorar la segmentaci\u00f3n de las im\u00e1genes m\u00e9dicas mediante el uso de modelos basados en IA. Se trata de crear nuevos m\u00e9todos centrados en redes neuronales para ayudar a los m\u00e9dicos a entender e interpretar estas im\u00e1genes. Ahora bien, \u00bfqu\u00e9 se entiende por \u201csegmentaci\u00f3n\u201d de im\u00e1genes m\u00e9dicas? Es el proceso de dividir una imagen en regiones o segmentos significativos en funci\u00f3n de criterios como color, textura, forma e intensidad de un \u00f3rgano o parte del cuerpo humano. Por ejemplo, en el caso de la b\u00fasqueda de tumores, se puede analizar una resonancia magn\u00e9tica del cerebro, distinguiendo regiones (p\u00edxeles) que corresponden a ciertos tejidos sanos (materia gris, materia blanca, etc.) de aquellos asociados al tumor y las distintas partes que lo componen.<\/span><\/p>\n

\u201c<\/span>Este es un trabajo que los radi\u00f3logos expertos suelen hacer manualmente, y desde el \u00e1mbito cient\u00edfico y tecnol\u00f3gico comenzamos a automatizarlo<\/span><\/i>\u201d, puntualiza <\/span>Enzo Ferrante<\/b>, investigador de CONICET recientemente incorporado al ICC, quien anteriormente se desempe\u00f1aba en el Instituto de Investigaci\u00f3n en Se\u00f1ales, Sistemas e Inteligencia Computacional, Sinc(i) CONICET-UNL de Santa Fe.<\/span><\/p>\n

Ferrante comenta que el a\u00f1o 2012 marc\u00f3 un punto de inflexi\u00f3n en su carrera de investigador, no s\u00f3lo porque comenzaron a crecer los m\u00e9todos de Deep Learning (aprendizaje profundo) en general, sino que durante los a\u00f1os siguientes el \u00e1mbito biom\u00e9dico empez\u00f3 a potenciar su uso. \u201c<\/span>Desde ese a\u00f1o, y cada a\u00f1o en particular, asist\u00ed a las principales conferencias internacionales de inteligencia artificial e im\u00e1genes biom\u00e9dicas. Los primeros a\u00f1os eran muy pocos los trabajos que utilizaban Deep Learning para abordar problemas como la segmentaci\u00f3n, pero con el pasar de los a\u00f1os, la conferencia se fue transformando y ya a partir de 2015 la mayor\u00eda de los trabajos publicados estaban basados en estas tecnolog\u00edas. Todo ello surge porque las redes neuronales convolucionales se pudieron aplicar primero al dominio de la visi\u00f3n artificial en general, y luego a campos m\u00e1s aplicados como la medicina. Desde esa etapa me concentro en mejorar los m\u00e9todos y los modelos de segmentaci\u00f3n<\/span><\/i>\u201d, explica el investigador.<\/span><\/p>\n

Para entender c\u00f3mo la IA, y en particular el Deep Learning, segmenta las im\u00e1genes, es importante aclarar que a partir de grandes <\/span>datasets<\/span><\/i> de im\u00e1genes biom\u00e9dicas con sus correspondientes etiquetas creadas por expertos (por ejemplo, la delineaci\u00f3n manual de los \u00f3rganos o lesiones a segmentar en las im\u00e1genes), se entrenan algoritmos muy sofisticados que pueden aprender de patrones de los datos o hacer representaciones complejas, con el fin de segmentar distintas im\u00e1genes de los \u00f3rganos del cuerpo. Estos modelos, tales como <\/span>el publicado por el Dr. Ferrante y su equipo en la revista IEEE Transactions on Medical Imaging<\/span><\/a> se van optimizando cada d\u00eda m\u00e1s para obtener resultados m\u00e1s precisos y rigurosos.<\/span><\/p>\n

\"\"<\/p>\n

\u201c<\/span>Desde hace a\u00f1os me dedico a pensar y proponer nuevos m\u00e9todos para mejorar la plausibilidad anat\u00f3mica de los resultados de las segmentaciones de redes neuronales para an\u00e1lisis de im\u00e1genes m\u00e9dicas, tratando de que los resultados sean realistas y representativos de lo que se necesita estudiar<\/span><\/i>\u201d, afirma Ferrante.<\/span><\/p>\n

Deep Learning para entender la estructura del coraz\u00f3n<\/b><\/p>\n

Uno de los resultados relevantes fue el estudio desarrollado por cient\u00edficos de Argentina e Inglaterra, que co dirigi\u00f3 Ferrante, donde se obtuvieron datos significativos que correlacionan cambios en el genoma con cambios en la estructura del coraz\u00f3n. El estudio, que fue tapa de la prestigiosa revista<\/span> Nature Machine Intelligence<\/span><\/a>, utiliz\u00f3 un novedoso m\u00e9todo de Deep Learning no supervisado para analizar m\u00e1s de 50.000 im\u00e1genes tridimensionales de resonancias magn\u00e9ticas del coraz\u00f3n e integrarlas con informaci\u00f3n gen\u00e9tica disponible.\u00a0<\/span><\/p>\n

\"\"<\/span><\/p>\n

\u201c<\/span>En el trabajo proponemos una nueva forma de descubrir asociaciones acerca de c\u00f3mo los cambios en el genoma pueden impactar en la forma del coraz\u00f3n, lo cual abre muchas puertas en el mundo de la cardiolog\u00eda para entender este problema y las patolog\u00edas asociadas<\/span><\/i>\u201d, describe el investigador del ICC.<\/span><\/p>\n

Y aclara que la investigaci\u00f3n, que recurri\u00f3 a un novedoso m\u00e9todo de Deep Learning no supervisado, cruz\u00f3 esa informaci\u00f3n con el resultado del an\u00e1lisis de 50.000 im\u00e1genes tridimensionales de resonancias magn\u00e9ticas del coraz\u00f3n,<\/span> mejorando en gran medida la capacidad de descubrimiento de genes que influyen en la forma del ventr\u00edculo izquierdo. Entre otras cosas, \u201c<\/span>hallamos 49 ubicaciones gen\u00e9ticas novedosas con alta significancia estad\u00edstica relacionadas a rasgos morfol\u00f3gicos card\u00edacos y otros 25 sitios con evidencia sugestiva<\/span><\/i>\u201d, explica.<\/span><\/p>\n

Problemas comunes asociados a la segmentaci\u00f3n de im\u00e1genes m\u00e9dicas<\/b><\/p>\n

A la hora de atacar problem\u00e1ticas comunes en este campo, Ferrante destaca que uno de los temas en que m\u00e1s se concentra actualmente es el cambio de dominio, que implica mejorar la robustez de los modelos frente a cambios en los datos. \u201c<\/span>Cuando uno entrena un modelo de aprendizaje profundo en im\u00e1genes m\u00e9dicas, se lo hace con datos que provienen de un hospital o de un dataset p\u00fablico. Ahora bien, si ese sistema se usa en otro hospital, en otro dataset, u otra poblaci\u00f3n, muchas veces la performance o tasa de acierto en el rendimiento del modelo se nos viene abajo<\/span><\/i>\u201d, precisa el investigador del ICC.<\/span><\/p>\n

En este caso, se busca lograr que los modelos sean robustos a\u00fan con esos cambios en los datos. \u201c<\/span>Puede suceder que la m\u00e1quina con que se entrenaron las im\u00e1genes o el protocolo de captura sea distinto al que usamos en la instituci\u00f3n m\u00e9dica donde se va aplicar, entonces eso cambia sustancialmente la distribuci\u00f3n, intensidad o calidad de las im\u00e1genes. Tambi\u00e9n que se entrene un modelo con datos de pacientes de un hospital en Estados Unidos y luego se quiera aplicar de forma id\u00e9ntica en una instituci\u00f3n m\u00e9dica de Argentina. Estos cambios de dominio en t\u00e9rminos demogr\u00e1ficos pueden tambi\u00e9n producir una baja en la performance de los modelos, presentando un rendimiento dispar en funci\u00f3n de las caracter\u00edsticas demogr\u00e1ficas de los pacientes. Por eso necesitamos garantizar que los modelos sean \u2018justos\u2019, es decir que funcionen bien para todas las poblaciones y no para algunas, tal como lo discutimos en el art\u00edculo publicado en <\/span><\/i>Nature Communications<\/span><\/i><\/a>. En esta direcci\u00f3n avanzan parte de mis investigaciones, para las cuales recibimos recientemente el <\/span><\/i>Google Award for Inclusion Research<\/span><\/i><\/a>, que otorga Google a investigadores que trabajan en temas con impacto social.<\/span><\/i>\u201d, argumenta el doctor en ciencias de la computaci\u00f3n.<\/span><\/p>\n

En el \u00e1rea de aprendizaje autom\u00e1tico este problema se conoce como \u201cgeneralizaci\u00f3n de dominio\u201d, donde el objetivo es poder mejorar la robustez frente a cambios en la distribuci\u00f3n de los datos, lo que resulta fundamental resolver tanto en el \u00e1rea m\u00e9dica como en cualquier otro dominio <\/span>aplicado<\/span><\/i>. En este contexto, Ferrante y su equipo han propuesto nuevos m\u00e9todos para mejorar la generalizaci\u00f3n de modelos neuronales para an\u00e1lisis de im\u00e1genes en base a una t\u00e9cnica conocida como cirug\u00eda de gradientes, que no se limita a las im\u00e1genes biom\u00e9dicas sino que puede ser utilizado en cualquier tipo de im\u00e1genes. Ese trabajo fue <\/span>publicado en la prestigiosa Conferencia Internacional de Visi\u00f3n Computacional (ICCV)<\/span><\/a>.<\/span><\/p>\n

Y un ejemplo de aplicaci\u00f3n, donde se enfrenta estas complejidades, consiste en el desarrollo de un sistema de IA para el diagn\u00f3stico temprano de las enfermedades neurol\u00f3gicas.<\/span><\/p>\n

En este sentido, Ferrante ha trabajado junto a la empresa <\/span>Entelai<\/span><\/a> (una start-up argentina que se dedica a explorar nuevas tecnolog\u00edas asociadas a la Inteligencia Artificial y su uso en la medicina) y otros investigadores del ICC como Diego Fern\u00e1ndez Slezak, en el dise\u00f1o de un sistema para medir el volumen del cerebro y contribuir con la detecci\u00f3n temprana de enfermedades neurodegenerativas como la Esclerosis M\u00faltiple o el Alzheimer. La iniciativa cont\u00f3 con el apoyo de la Fundaci\u00f3n Sadosky-siendo una de las 16 propuestas seleccionadas en la convocatoria \u201cSoluciones Innovadoras para Desaf\u00edos de Software\u201d- y Ferrante trabaj\u00f3 en la tarea de robustecer el modelo de segmentaci\u00f3n y an\u00e1lisis de im\u00e1genes cerebrales (denominado Entelai Neuro), as\u00ed como en el dise\u00f1o de un modelo para la cuantificaci\u00f3n y seguimiento de tumores cerebrales, cuyo desarrollo contin\u00faa actualmente.<\/span><\/p>\n

Por \u00faltimo, el investigador del ICC aclara que el objetivo final de estas investigaciones es poder ayudar a los m\u00e9dicos en el desarrollo de tareas que son muy repetitivas y llevan mucho tiempo (como por ejemplo segmentar d\u00f3nde est\u00e1 el tumor de un paciente), asistiendo fundamentalmente a los procesos diagn\u00f3sticos. \u201c<\/span>Los profesionales m\u00e9dicos ven como algo positivo esta introducci\u00f3n de la IA en im\u00e1genes m\u00e9dicas, no obstante tienen cierto escepticismo de que funcione, por lo que siempre hay que mostrarles que los modelos funcionan. Y est\u00e1 muy bien que duden, ya que no se puede asumir que porque lo hizo un software es algo correcto. Por ese motivo hacemos much\u00edsimas pruebas en el laboratorio y generamos procesos de control de calidad de los modelos, para finalmente poder transferirlos al escenario de la medicina traslacional, que a\u00fan as\u00ed requiere resolver problemas de implementaci\u00f3n<\/span><\/i>\u201c, concluye Ferrante.<\/span><\/p>\n

\"\"<\/p>\n

\n

DR. ENZO FERRANTE<\/strong><\/p>\n

Estudi\u00f3 Ingenier\u00eda de Sistemas en UNICEN (Tandil, Argentina), se doctor\u00f3 en la Universit\u00e9 Paris-Saclay y el INRIA (Par\u00eds, Francia), fue alumno visitante en la Universidad de Stanford (California, EEUU), realiz\u00f3 su postdoctorado en el Imperial College London (Londres, Reino Unido).<\/span><\/p>\n

A fines de 2017 regres\u00f3 a la Argentina como investigador repatriado al Sinc(i): Instituto de Investigaci\u00f3n en Se\u00f1ales, Sistemas e Inteligencia Computacional dependiente del CONICET y la UNL en la ciudad de Santa Fe. Fue investigador visitante Fulbright en el Martinos Center for Biomedical Imaging asociado a MGH y la Escuela de Medicina de Harvard en Boston, EEUU. Es docente en la Universidad de San Andr\u00e9s y la Universidad Torcuato Di Tella, y ha dictado cursos sobre aprendizaje profundo en universidades tanto en Argentina como en el exterior. En el a\u00f1o 2020 recibi\u00f3 el premio Est\u00edmulo de la Academia Nacional de Ciencias Exactas, F\u00edsicas y Naturales, y el premio Ciencia y Tecnolog\u00eda Mercosur, por sus contribuciones al \u00e1rea de inteligencia artificial y an\u00e1lisis de im\u00e1genes, y en 2022 el Google Award for Inclusion Research para continuar con sus investigaciones sobre equidad algor\u00edtmica.<\/span><\/p>\n

Desde 2024 es Investigador CONICET en el <\/span>Laboratorio de Inteligencia Artificial Aplicada<\/span><\/a> (LIAA) del ICC (UBA-CONICET). Adem\u00e1s acaba de terminar el dictado de su curso de Deep Learning como profesor invitado del Departamento de Computaci\u00f3n de Exactas UBA. Al mismo tiempo, trabaja en destacados proyectos de vinculaci\u00f3n y transferencia tecnol\u00f3gica con empresas e instituciones tales como Entelai, FLENI y APOLO BioTech.<\/span><\/p>\n<\/blockquote>\n<\/div><\/div><\/div><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

Desde el ICC se realizan investigaciones en inteligencia artificial que buscan mejorar el diagn\u00f3stico de enfermedades a partir del an\u00e1lisis de las im\u00e1genes m\u00e9dicas. Recientemente Enzo Ferrante, investigador de CONICET, se incorpor\u00f3 al Instituto de Ciencias de la Computaci\u00f3n y en esta nota nos cuenta en detalle c\u00f3mo es desarrollar m\u00e9todos computacionales basados en aprendizaje profundo para el an\u00e1lisis de im\u00e1genes m\u00e9dicas y qu\u00e9 problemas busca resolver.<\/p>\n","protected":false},"author":9,"featured_media":2705,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[12],"tags":[100,29,28],"class_list":["post-2700","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias","tag-procesamiento-imagenes","tag-aprendizaje-automatico","tag-inteligencia-artificial"],"_links":{"self":[{"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/posts\/2700","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/comments?post=2700"}],"version-history":[{"count":5,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/posts\/2700\/revisions"}],"predecessor-version":[{"id":2710,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/posts\/2700\/revisions\/2710"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/media\/2705"}],"wp:attachment":[{"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/media?parent=2700"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/categories?post=2700"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/icc.fcen.uba.ar\/en\/wp-json\/wp\/v2\/tags?post=2700"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}