Hispanopedia Wiki
Articulo de referencia

Diagnóstico asistido por ordenador

La detección asistida por computadora ( CADe ), también llamada diagnóstico asistido por computadora ( CADx ), son sistemas que ayudan a los médicos en la interpretación de imág...

Hispanopedia WikiContenido en espanolLectura gratuita

La detección asistida por computadora ( CADe ), también llamada diagnóstico asistido por computadora ( CADx ), son sistemas que ayudan a los médicos en la interpretación de imágenes médicas . Las técnicas de imagen en radiografía , resonancia magnética , endoscopia y ecografía generan gran cantidad de información que el radiólogo u otro profesional médico debe analizar y evaluar exhaustivamente en poco tiempo. Los sistemas CAD procesan imágenes o videos digitales para identificar patrones típicos y resaltar secciones relevantes, como posibles enfermedades, con el fin de brindar información que respalde la decisión del profesional.

El CAD también tiene potenciales aplicaciones futuras en patología digital con la llegada de la obtención de imágenes de portaobjetos completos y algoritmos de aprendizaje automático . Hasta ahora, su aplicación se ha limitado a la cuantificación de la inmunotinción , pero también se está investigando para la tinción estándar de H&E . [ 1 ]

El CAD es una tecnología interdisciplinaria que combina elementos de inteligencia artificial y visión artificial con el procesamiento de imágenes radiológicas y patológicas . Una aplicación típica es la detección de tumores. Por ejemplo, algunos hospitales utilizan CAD para apoyar los chequeos médicos preventivos en mamografías (diagnóstico de cáncer de mama), la detección de pólipos en colonoscopias y el cáncer de pulmón .

Los sistemas de detección asistida por ordenador (CADe) suelen limitarse a marcar estructuras y secciones conspicuas. Los sistemas de diagnóstico asistido por ordenador (CADx) evalúan dichas estructuras. Por ejemplo, en mamografía, el CAD resalta los cúmulos de microcalcificaciones y las estructuras hiperdensas en el tejido blando. Esto permite al radiólogo extraer conclusiones sobre el estado de la patología. Otra aplicación es el CADq, que cuantifica, por ejemplo , el tamaño de un tumor o su comportamiento en la captación de medio de contraste. El triaje simple asistido por ordenador (CAST) es otro tipo de CAD que realiza una interpretación inicial y un triaje totalmente automáticos de los estudios en categorías significativas ( por ejemplo, negativos y positivos). El CAST es especialmente útil en diagnóstico por imagen de urgencia, donde se requiere un diagnóstico rápido de afecciones críticas que ponen en peligro la vida.

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

Historia

A finales de la década de 1950, con el surgimiento 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 utilizaban diagramas de flujo, coincidencia de patrones estadísticos, teoría de la probabilidad o bases de conocimiento para guiar su proceso de toma de decisiones. [ 9 ]

A principios de la década de 1970, algunos de los primeros sistemas CAD en medicina, a menudo denominados " sistemas expertos ", se desarrollaron y utilizaron principalmente con fines educativos. Algunos ejemplos son el sistema experto MYCIN , [ 10 ] el sistema experto Internist-I [ 11 ] y el sistema experto CADUCEUS . [ 12 ] Se concibieron robots de diagnóstico , como sistemas de diagnóstico automático capaces de recopilar datos para el diagnóstico médico con su subsistema basado en el conocimiento, y herramientas como un dedo antropomórfico accionado por tendones y sensores similares a la piel para la percepción táctil . [ 13 ] [ 14 ]

Los investigadores inicialmente se propusieron construir sistemas CAD/expertos totalmente automatizados, con un optimismo poco realista sobre la capacidad de las computadoras. Sin embargo, tras el revolucionario artículo "Reducibilidad entre problemas combinatorios" de Richard M. Karp , [ 15 ] quedó claro que el desarrollo de algoritmos para resolver grupos de problemas computacionales importantes tenía limitaciones, así como oportunidades potenciales. [ 9 ] En respuesta a 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 serias limitaciones de los sistemas CAD y expertos en medicina, [ 9 ] lo que los impulsó a desarrollar nuevos tipos de sistemas CAD utilizando enfoques avanzados. Así, a finales de la década de 1980 y principios de la de 1990, el enfoque cambió hacia el uso de enfoques de minería de datos con el propósito de utilizar sistemas CAD más avanzados y flexibles. En 1998, el primer sistema CAD comercial para mamografía, el sistema ImageChecker, fue aprobado por la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA). En los años siguientes, varios sistemas CAD comerciales para el análisis de mamografías, resonancias magnéticas de mama e imágenes médicas de pulmón, colon y corazón también recibieron la aprobación de la FDA. Los sistemas CAD comenzaron a utilizarse como una herramienta de apoyo a la toma de decisiones médicas para el diagnóstico por parte de los médicos. [ 16 ]

En febrero de 2013, IBM anunció que la primera aplicación comercial del sistema de software Watson sería para la toma de decisiones de gestión de la utilización en el tratamiento del cáncer de pulmón en el Memorial Sloan–Kettering Cancer Center en colaboración con WellPoint (ahora Anthem ). En 2013, el director comercial de IBM Watson, Manoj Saxena, afirmó que el 90 % de las enfermeras en ejercicio que utilizaban Watson seguían sus recomendaciones. [ 17 ] [ 18 ]

Metodología

El CAD se basa fundamentalmente en el reconocimiento de patrones altamente complejos . Se analizan imágenes de rayos X u otros tipos de imágenes en busca de estructuras sospechosas. Normalmente se requieren varios miles de imágenes para optimizar el algoritmo. Los datos de imagen digital se copian a un servidor CAD en formato DICOM y se preparan y analizan en varias etapas.

1. Preprocesamiento para

  • Reducción de artefactos (errores en las imágenes)
  • reducción de ruido de imagen
  • Nivelación (armonización) de la calidad de la imagen (aumento del contraste) para corregir las diferentes condiciones básicas de la imagen, por ejemplo, diferentes parámetros de exposición.
  • Filtración

2. Segmentación para

  • Diferenciación de diferentes estructuras en la imagen, por ejemplo, corazón, pulmón, caja torácica, vasos sanguíneos, posibles lesiones redondas.
  • Comparación con la base de datos anatómica
  • Valores de gris de muestra en el volumen de interés [ 19 ]

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

  • Compacidad
  • Forma, tamaño y ubicación
  • Referencia a estructuras cercanas / ROIs
  • Análisis del valor promedio del nivel de gris dentro de una ROI
  • Proporción de niveles de gris respecto al borde de la estructura dentro de la ROI

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 alcanzan un determinado umbral, se resaltan en la imagen para el radiólogo. Según el sistema CAD, estas marcas pueden guardarse de forma permanente o temporal. La ventaja de esta última opción es que solo se guardan las marcas aprobadas por el radiólogo. No se deben guardar los falsos positivos, ya que dificultan un examen posterior.

Relación con las métricas del proveedor

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% dependiendo del sistema y la aplicación. [ 28 ] Un acierto correcto se denomina Verdadero Positivo (VP), mientras que el marcado incorrecto de secciones sanas constituye un Falso Positivo (FP). Cuantos menos FP se indiquen, mayor será la especificidad . Una especificidad baja reduce la aceptación del sistema CAD porque el usuario tiene que identificar todos estos aciertos erróneos. La tasa de FP en exámenes generales de pulmón (CAD Chest) podría reducirse a 2 por examen. En otros segmentos ( por ejemplo , exámenes de TC de pulmón) 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 un triaje de estudio significativo .

Tasa de detección absoluta

La tasa de detección absoluta de un radiólogo es una métrica alternativa a la sensibilidad y la especificidad. En general, los resultados de los ensayos clínicos sobre sensibilidad, especificidad y la tasa de detección absoluta pueden variar notablemente. El resultado de cada estudio depende de sus condiciones básicas y debe evaluarse en función de ellas. Los siguientes factores tienen una fuerte influencia:

  • Diseño retrospectivo o prospectivo
  • Calidad de las imágenes utilizadas
  • Estado de la radiografía
  • Experiencia y formación del radiólogo
  • Tipo de lesión
  • Tamaño de la lesión considerada

Desafíos

A pesar de los numerosos avances que el CAD ha logrado desde los albores de la informática, todavía existen ciertos desafíos que los sistemas CAD enfrentan hoy en día. [ 29 ]

Algunos desafíos están relacionados con diversas limitaciones algorítmicas en los procedimientos de un sistema CAD, incluyendo 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. [ 30 ] Actualmente, los datos de entrada para CAD provienen principalmente de registros electrónicos de salud (EHR). El diseño, la implementación y el análisis eficaces de los EHR son una necesidad fundamental en cualquier sistema CAD. [ 29 ]

Debido a la enorme disponibilidad de datos y la necesidad de analizarlos, el big data es también uno de los mayores desafíos a los que se enfrentan hoy en día los sistemas CAD. El volumen cada vez mayor de datos de pacientes es un problema grave. A menudo, estos datos son complejos y pueden ser semiestructurados o no estructurados . Se requieren enfoques muy desarrollados para almacenarlos, recuperarlos y analizarlos en un tiempo razonable. [ 29 ]

Durante la etapa de preprocesamiento, los datos de entrada deben normalizarse. La normalización de los datos de entrada incluye la reducción de ruido y el filtrado.

El procesamiento puede incluir varios subpasos según la aplicación. Los tres subpasos básicos en 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 menor tiempo de cálculo. Si bien se han realizado grandes esfuerzos para crear técnicas innovadoras para estos procedimientos de los sistemas CAD, aún no se ha identificado el mejor algoritmo para cada paso individual. Es fundamental continuar con los estudios para desarrollar algoritmos innovadores que abarquen todos los aspectos de los sistemas CAD. [ 29 ]

También existe una falta de medidas de evaluación estandarizadas para los sistemas CAD. [ 29 ] Este hecho puede causar dificultades para obtener la aprobación para uso comercial de organismos reguladores como la FDA . Además, si bien se han demostrado muchos avances positivos de los sistemas CAD, no se han confirmado estudios para validar sus algoritmos para la práctica clínica. [ 31 ]

Otros desafíos están relacionados con la dificultad que tienen los proveedores de atención médica para adoptar nuevos sistemas CAD en la práctica clínica. Algunos estudios negativos pueden desalentar el uso de CAD. Además, la falta de capacitación de los profesionales de la salud en el uso de CAD a veces conlleva una interpretación incorrecta de los resultados del sistema. [ a ]

Aplicaciones

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

La 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

El CAD se utiliza en la mamografía de cribado (examen radiográfico de la mama femenina). La mamografía de cribado se utiliza para la detección precoz del cáncer de mama. Los sistemas CAD se emplean a menudo para ayudar a clasificar un tumor como maligno (canceroso) o benigno (no canceroso). El CAD está especialmente consolidado en Estados Unidos y los Países Bajos, y se utiliza como complemento de la evaluación humana, generalmente realizada por un radiólogo.

El primer sistema CAD para mamografía se desarrolló en un proyecto de investigación en la Universidad de Chicago . Actualmente, iCAD y Hologic lo ofrecen comercialmente . Sin embargo, si bien alcanzan altas sensibilidades, los sistemas CAD tienden a tener una especificidad muy baja y los beneficios de su uso siguen siendo inciertos. Una revisión sistemática de 2008 sobre la detección asistida por computadora en la mamografía de cribado concluyó que el CAD no tiene un efecto significativo en la tasa de detección de cáncer, pero sí aumenta indeseablemente la tasa de repetición de pruebas ( es decir, la tasa de falsos positivos). No obstante, se observó una considerable heterogeneidad en el impacto sobre la tasa de repetición de pruebas entre los estudios. [ 32 ]

Los recientes avances en aprendizaje automático , aprendizaje profundo y tecnología de inteligencia artificial han permitido el desarrollo de sistemas CAD que han demostrado clínicamente su eficacia para ayudar a los radiólogos a abordar los desafíos de la lectura de imágenes mamográficas , mejorando las tasas de detección de cáncer y reduciendo los falsos positivos y las citas innecesarias con los pacientes, al tiempo que disminuyen significativamente los tiempos de lectura. [ 33 ]

También existen procedimientos para evaluar la mamografía mediante imágenes de resonancia magnética (IRM).

Cáncer de pulmón (carcinoma bronquial)

En el diagnóstico del cáncer de pulmón, la tomografía computarizada con sistemas CAD tridimensionales especiales se ha consolidado y se considera una segunda opinión apropiada. [ 34 ] En este proceso, se prepara y analiza un conjunto de datos volumétricos con hasta 3000 imágenes individuales. Se pueden detectar lesiones redondas ( cáncer de pulmón , metástasis y cambios benignos) de 1  mm o más. Actualmente, todos los proveedores de sistemas médicos más conocidos ofrecen soluciones similares.

La detección temprana del cáncer de pulmón es valiosa. Sin embargo, la detección aleatoria de 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 se pasan por alto fácilmente. [ 35 ] La aplicación rutinaria de sistemas CAD de tórax puede ayudar a detectar pequeños cambios sin sospecha inicial. Varios investigadores desarrollaron sistemas CAD para la detección de nódulos pulmonares (lesiones redondas menores de 30  mm) en radiografía de tórax [ 36 ] [ 37 ] [ 38 ] y TC, [ 39 ] [ 40 ] y sistemas CAD para el diagnóstico ( por ejemplo , distinción entre maligno y benigno) de nódulos pulmonares en TC. La imagen virtual de doble energía [ 41 ] [ 42 ] [ 43 ] [ 44 ] mejoró el rendimiento de los sistemas CAD en radiografía de tórax. [ 45 ]

cáncer de colon

El CAD está disponible para la detección de pólipos colorrectales en el colon mediante colonografía por TC. [ 46 ] [ 47 ] Los pólipos son pequeños crecimientos que se originan en el revestimiento interno del colon. El CAD detecta los pólipos identificando su característica forma de "protuberancia". Para evitar un exceso de falsos positivos, el CAD ignora la pared normal del colon, incluidos los pliegues haustrales .

Enfermedad cardiovascular

Los métodos de vanguardia en computación cardiovascular, informática cardiovascular y modelado matemático y computacional pueden proporcionar herramientas valiosas para la toma de decisiones clínicas. [ 48 ] Los sistemas CAD con nuevos marcadores basados ​​en análisis de imágenes como entrada pueden ayudar a los médicos vasculares a decidir con mayor confianza el tratamiento más adecuado para pacientes con enfermedades cardiovasculares .

La detección temprana y la estratificación de riesgo fiables de la aterosclerosis carotídea son de suma importancia para predecir accidentes cerebrovasculares en pacientes asintomáticos. [ 49 ] Con este fin, se han propuesto varios marcadores no invasivos y de bajo costo, utilizando características basadas en imágenes de ultrasonido . [ 50 ] Estos combinan características de ecogenicidad , textura y movimiento [ 51 ] [ 52 ] [ 53 ] [ 54 ] para ayudar en la decisión clínica hacia una mejor predicción, evaluación y manejo del riesgo cardiovascular. [ 55 ]

CAD está disponible para la detección automática de enfermedad arterial coronaria significativa (que causa estenosis superior al 50% ) en estudios de angiografía coronaria por tomografía computarizada (CCTA). [ 56 ]

Defecto cardíaco congénito

La detección precoz de patologías puede marcar la diferencia entre la vida y la muerte. La auscultación asistida por ordenador (CADe) se realiza mediante estetoscopio digital y software especializado . Los soplos cardíacos, ruidos cardíacos irregulares causados ​​por el flujo sanguíneo a través de un corazón defectuoso, pueden detectarse con alta sensibilidad y especificidad. La auscultación asistida por ordenador es sensible al ruido externo y a los sonidos corporales, y requiere un entorno prácticamente silencioso para funcionar con precisión.

Detección patológica del cerebro (DPC)

Chaplot et al. fue el primero en utilizar coeficientes de la transformada discreta de ondículas (DWT) para detectar cerebros patológicos. [ 57 ] Maitra y Chatterjee emplearon la transformada Slantlet, que es una versión mejorada de la 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 según una lógica específica. [ 58 ]

En 2010, Wang y Wu presentaron un método basado en redes neuronales directas (FNN) para clasificar una imagen cerebral por resonancia magnética como normal o anormal. Los parámetros de la FNN se optimizaron mediante optimización adaptativa de enjambre de partículas caóticas (ACPSO). Los resultados obtenidos con más de 160 imágenes mostraron una precisión de clasificación del 98,75 %. [ 59 ]

En 2011, Wu y Wang propusieron utilizar DWT para la extracción de características, PCA para la reducción de características y FNN con colonia de abejas artificiales caóticas escaladas (SCABC) como clasificador. [ 60 ]

En 2013, Saritha et al. fueron los primeros en aplicar la entropía wavelet (WE) para detectar cerebros patológicos. Saritha también sugirió usar diagramas de telaraña. [ 61 ] Posteriormente, Zhang et al. demostraron que eliminar los diagramas de telaraña no influyó en el rendimiento. [ 62 ] Se aplicó el método de búsqueda de patrones genéticos para identificar cerebros anormales de controles normales. Su precisión de clasificación se informó como 95,188%. [ 63 ] Das et al. propusieron usar la transformada Ripplet. [ 64 ] Zhang et al. propusieron usar la optimización de enjambre de partículas (PSO). [ 65 ] Kalbkhani et al. sugirieron usar el modelo GARCH. [ 66 ]

En 2014, El-Dahshan et al. sugirieron el uso de redes neuronales acopladas por pulsos. [ 67 ]

En 2015, Zhou et al. sugirieron la aplicación del clasificador bayesiano ingenuo para detectar cerebros patológicos. [ 68 ]

enfermedad de Alzheimer

Las pruebas CAD pueden utilizarse para identificar a sujetos con Alzheimer y deterioro cognitivo leve, diferenciándolos de controles ancianos sanos.

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. [ 61 ] Zhang et al. encontraron que el árbol de decisión de máquina de vectores de soporte de kernel tenía una precisión de clasificación del 80%, con un tiempo de cálculo promedio de 0,022 s para cada clasificación de imagen. [ 69 ]

En 2019, Signaevsky et al . informaron por primera vez sobre una red neuronal convolucional totalmente entrenada (FCN) para la detección y cuantificación de ovillos neurofibrilares (NFT) en la enfermedad de Alzheimer y una variedad de otras tauopatías. La FCN entrenada logró una alta precisión y exhaustividad en la segmentación semántica ingenua de imágenes digitales de portaobjetos completos (WSI), identificando correctamente los 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 min por WSI por unidad de procesamiento gráfico (GPU) , lo que permite una detección a gran escala confiable y reproducible de NFT. El rendimiento medido en datos de prueba de ocho WSI ingenuas en varias tauopatías resultó en una exhaustividad, precisión y una puntuación F1 de 0,92, 0,72 y 0,81, respectivamente. [ 70 ]

Eigenbrain es una característica cerebral novedosa que puede ayudar a detectar la EA, basada en el análisis de componentes principales (PCA) [ 71 ] o la descomposición del análisis de componentes independientes . [ 72 ] Se ha demostrado que la SVM con núcleo polinomial logra una buena precisión. La KSVM polinomial funciona mejor que la SVM lineal y la SVM con núcleo RBF. [ 73 ] Otros enfoques con resultados aceptables implican el uso de análisis de textura, [ 74 ] características morfológicas, [ 75 ] o características estadísticas de orden superior [ 76 ]

Medicina nuclear

El CADx está disponible para imágenes de medicina nuclear. Existen sistemas CADx comerciales para el diagnóstico de metástasis óseas en gammagrafías óseas de cuerpo entero y de enfermedad arterial coronaria en imágenes de perfusión miocárdica. [ 77 ]

Con una alta sensibilidad y una tasa aceptable de detección de lesiones falsas, el sistema automático de detección de lesiones asistido por computadora demuestra ser útil y probablemente en el futuro podrá ayudar a los médicos de medicina nuclear a identificar posibles lesiones óseas. [ 78 ]

Retinopatía diabética

La retinopatía diabética es una enfermedad de la retina que se diagnostica principalmente mediante imágenes fundoscópicas. Los pacientes diabéticos en los países industrializados generalmente se someten a exámenes de detección periódicos. Las imágenes se utilizan para reconocer signos tempranos de vasos sanguíneos retinianos anormales. El análisis manual de estas imágenes puede ser laborioso y poco fiable. [ 79 ] [ 80 ] Se ha empleado CAD para mejorar la precisión, la sensibilidad y la especificidad del método de detección automatizada. El uso de algunos sistemas CAD para reemplazar a los evaluadores humanos puede ser seguro y rentable. [ 80 ]

El preprocesamiento de imágenes, la extracción de características y la clasificación son dos etapas principales de estos algoritmos CAD. [ 81 ]

Métodos de preprocesamiento

La normalización de la imagen consiste en minimizar la variación en toda la imagen. Se ha informado que las variaciones de intensidad en las áreas entre la periferia y la región macular central del ojo causan imprecisiones en la segmentación de los vasos. [ 82 ] Según la revisión de 2014, esta técnica fue la más utilizada y apareció en 11 de las 40 investigaciones primarias publicadas recientemente (desde 2011). [ 81 ]

Imagen de muestra de ecualización de histograma. Izquierda: Imagen fundoscópica normal en escala de grises. Derecha: Procesamiento posterior a la ecualización del histograma. [ 83 ]

La ecualización del histograma es útil para mejorar el contraste dentro de una imagen. [ 84 ] Esta técnica se utiliza para aumentar el contraste local. Al final del procesamiento, las áreas que eran 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 se reduciría su brillo para igualarse con las otras áreas de la imagen. Además de la segmentación de vasos, otras características relacionadas con la retinopatía diabética se pueden separar aún más utilizando esta técnica de preprocesamiento. Los microaneurismas y las hemorragias son lesiones rojas, mientras que los exudados son manchas amarillas. Aumentar el contraste entre estos dos grupos permite una mejor visualización de las lesiones en las imágenes. Con esta técnica, una revisión de 2014 encontró que 10 de las 14 investigaciones primarias publicadas recientemente (desde 2011). [ 81 ]

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. [ 85 ] 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 amarillos en la imagen normal, se transforman en puntos blancos brillantes después del filtrado verde. Esta técnica es la más utilizada según la revisión de 2014, con aparición en 27 de los 40 artículos publicados en los últimos tres años. [ 81 ] Además, el filtrado del canal verde se puede utilizar para detectar el centro del disco óptico junto con el sistema de doble ventana.

La corrección de iluminación no uniforme es una técnica que ajusta la iluminación no uniforme en la imagen fundoscópica. La iluminación no uniforme puede ser un error potencial en la detección automatizada de retinopatía diabética debido a cambios en las características estadísticas de la imagen. [ 81 ] 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 usando la intensidad del píxel original conocida (f) y las intensidades promedio de los píxeles locales (λ) y deseados (μ) (ver fórmula a continuación). [ 86 ] Luego se aplica la transformación de Walter-Klein para lograr la iluminación uniforme. [ 86 ] Esta técnica es el método de preprocesamiento menos utilizado en la revisión de 2014.

F′=F+μ−λ{\displaystyle f'=f+\mu -\lambda }

Las operaciones morfológicas son el segundo método de preprocesamiento menos utilizado en la revisión de 2014. [ 81 ] El objetivo principal de este método es proporcionar una mejora del contraste, especialmente en las regiones más oscuras en comparación con el fondo.

Extracción de características y clasificaciones

Tras el preprocesamiento de la imagen fundoscópica, esta se analizará mediante diferentes métodos computacionales. Sin embargo, la literatura actual coincide en que algunos métodos se utilizan con mayor frecuencia que otros en los análisis de segmentación vascular. Estos métodos son: SVM, multiescala, seguimiento vascular, crecimiento de regiones y enfoques basados ​​en modelos.

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

La máquina de vectores de soporte es, con mucho, el clasificador más utilizado en la segmentación de vasos, hasta en el 90% de los casos. SVM es un modelo de aprendizaje supervisado que pertenece a la categoría más amplia de técnica de reconocimiento de patrones. El algoritmo funciona creando la mayor brecha entre muestras distintas en los datos. El objetivo es crear la mayor brecha entre estos componentes que minimice el error potencial en la clasificación. [ 87 ] 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 del vaso sanguíneo del resto de la imagen a través de un entorno supervisado. La detección de vasos sanguíneos en nuevas imágenes se puede realizar de manera similar utilizando vectores de soporte. La combinación con otras técnicas de preprocesamiento, como el filtrado del canal verde, mejora enormemente la precisión de la detección de anomalías en los vasos sanguíneos. [ 81 ] Algunas propiedades beneficiosas de SVM incluyen [ 87 ]

  • Flexibilidad: Altamente flexible en términos de función.
  • Sencillez: Sencillo, especialmente con grandes conjuntos de datos (solo se necesitan vectores de soporte para crear separación entre los datos).

El enfoque multiescala es un método de segmentación de vasos con múltiples resoluciones. A baja resolución, se pueden extraer primero los vasos de mayor diámetro. Al aumentar la resolución, se pueden reconocer fácilmente las ramificaciones más pequeñas de los vasos grandes. Por lo tanto, una ventaja de usar esta técnica es la mayor velocidad de análisis. [ 79 ] Además, este enfoque se puede usar con imágenes 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 vascular.

El seguimiento de vasos sanguíneos se basa en la capacidad del algoritmo para detectar la "línea central" de los vasos. Estas líneas centrales representan el punto máximo de curvatura del vaso. Los centros de los vasos se pueden encontrar utilizando la información direccional proporcionada por un filtro gaussiano. Enfoques similares que utilizan el concepto de línea central son los basados ​​en esqueletos y en geometría diferencial. [ 79 ]

El método de crecimiento de regiones consiste en detectar píxeles vecinos con similitudes. Para su funcionamiento, se requiere un punto semilla. Esta técnica necesita dos elementos: similitud y proximidad espacial. Un píxel vecino al píxel semilla con intensidad similar probablemente sea del mismo tipo y se añadirá a la región en crecimiento. Una desventaja de esta técnica es que requiere la selección manual del punto semilla, lo que introduce sesgos e inconsistencias en el algoritmo. [ 79 ] Esta técnica también se utiliza en la identificación del disco óptico.

Los enfoques basados ​​en modelos emplean representación para extraer vasos de imágenes. Se conocen tres categorías amplias de enfoques basados ​​en modelos: deformables, paramétricos y de coincidencia de plantillas. [ 79 ] Los métodos deformables utilizan objetos que se deformarán para ajustarse a los contornos de los objetos en la imagen. Los paramétricos utilizan parámetros geométricos como la representación tubular, cilíndrica o elipsoidal de los vasos sanguíneos. El contorno clásico de serpiente en combinación con información topológica de los vasos sanguíneos también se puede utilizar como un enfoque basado en modelos. [ 88 ] Por último, la coincidencia de plantillas es el uso de una plantilla, ajustada por un proceso de deformación estocástica utilizando el Modo 1 de Markov oculto.

Efectos sobre el empleo

La automatización del trabajo de diagnóstico médico (por ejemplo, la cuantificación de glóbulos rojos ) tiene algunos precedentes históricos. [ 89 ] 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 aumente.

Algunos expertos, entre ellos muchos médicos, restan importancia a 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 profundamente afectados, con desempleo o presión a la baja sobre los salarios de los radiólogos; los hospitales necesitarán menos radiólogos en general, y muchos de los que aún existan requerirán una formación sustancial. Geoffrey Hinton , el "padrino del aprendizaje profundo", sostiene que, a la luz de los probables avances previstos para los próximos cinco o diez años, los hospitales deberían dejar de formar radiólogos de inmediato, ya que su formación en diagnóstico visual, que consume mucho tiempo y es costosa, pronto quedará obsoleta, lo que provocará un exceso de radiólogos tradicionales. [ 90 ] [ 91 ]

Un artículo de opinión en JAMA argumenta que los patólogos y radiólogos deberían fusionarse en un único rol de " especialista en información " y afirma que "para evitar ser reemplazados por computadoras, los radiólogos deben permitir que estas los reemplacen". Los especialistas en información recibirían capacitación en " lógica bayesiana , estadística , ciencia de datos " y algo de genómica y biometría ; el reconocimiento manual de patrones visuales se reduciría considerablemente en comparación con la exigente formación actual en radiología. [ 92 ]

Véase también

Notas a pie de página

  1. ↑ Estos desafíos se describen con más detalle aquí: 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.

Referencias

  1. ↑ "Diagnóstico asistido por ordenador: 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?" . Radiology : Artificial Intelligence . 1 (3) e180089. doi : 10.1148/ryai.2019180089 . ISSN 2638-6100 . PMC 8017402. PMID 33937793 .   
  3. ↑ Bird, RE; Wallace, TW; Yankaskas, BC (1992). "Análisis de cánceres no detectados en la mamografía de cribado". Radiology . 184 (3): 613– 617. doi : 10.1148/radiology.184.3.1509041 . PMID 1509041 . 
  4. ↑ Baker, JA; Rosen, EL; Lo, JY; et al. (2003). "Detección asistida por computadora (CAD) en mamografía de cribado: sensibilidad de los sistemas CAD comerciales para detectar distorsión arquitectónica". American Journal of Roentgenology . 181 (4): 1083– 1088. doi : 10.2214/ajr.181.4.1811083 . PMID 14500236 .  
  5. ↑ Jang, HJ; Lee, KS; Kwon, OJ; et al. (1996). "Carcinoma bronquioloalveolar: área focal de atenuación en vidrio deslustrado en la tomografía computarizada de corte fino como signo temprano". Radiology . 199 (2): 485– 488. doi : 10.1148/radiology.199.2.8668800 . PMID 8668800 .  
  6. ↑ Suzuki, K.; Li, F.; Sone, S.; Doi, K. (2005). "Esquema de diagnóstico asistido por computadora para la distinción entre nódulos benignos y malignos en TC torácica de baja dosis mediante el uso de una red neuronal artificial de entrenamiento masivo". IEEE Transactions on Medical Imaging . 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 la colonografía por TC". Abdom Imaging . 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 la América del siglo XX . Johns Hopkins University Press. págs. 1–256 . ISBN  978-1421446813.
  9. 1 2 3 Yanase J, Triantaphyllou E (2019). "Un estudio sistemático del diagnóstico asistido por computadora en medicina: desarrollos pasados ​​y presentes". Expert Systems with Applications . 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". Mathematical Biosciences . 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 experimental basado en computadora para medicina interna general". New England Journal of Medicine . 307 (8): 468– 476. doi : 10.1056/NEJM198208193070803 . PMID 7048091 . 
  12. ↑ Feigenbaum, Edward; McCorduck, Pamela (1984). La quinta generación . Addison-Wesley. págs. 1–275 . ISBN  978-0451152640.
  13. ↑ Salcudean, SE; Bell, G.; Bachmann, S.; Zhu, WH; Abolmaesumi, P.; Lawrence, PD (1999), "Ultrasonido diagnóstico asistido por robot: diseño y experimentos de viabilidad", Miccai99 , Lecture Notes in Computer Science, vol. 1679, Springer, pp. 1062–1071 , doi : 10.1007/10704282_115 , ISBN   978-3-540-66503-8
  14. ↑ Dario, P.; Bergamasco, M. (1988), "Un sistema robótico avanzado para tareas de diagnóstico automatizadas mediante palpación", IEEE Transactions on Biomedical Engineering , 35 (2): 118– 126, doi : 10.1109/10.1349 , PMID 3350538 , S2CID 24390579  
  15. ↑ Richard M. Karp (1972). "Reducibilidad entre problemas combinatorios" (PDF) . En RE Miller; JW Thatcher (eds.). Complejidad de los cálculos informáticos . Nueva York: Plenum. págs. 85–103 . Archivado del original (PDF) el 29 de junio de 2011. Consultado el 14 de agosto de 2019 . 
  16. ↑ Doi K (2007). "Diagnóstico asistido por computadora en imágenes médicas: revisión histórica, estado actual y potencial futuro" . Computerized Medical Imaging and Graphics . 31 (4): 198– 211. doi : 10.1016/j.compmedimag.2007.02.002 . PMC 1955762. PMID 17349778 .  
  17. ↑ Upbin, Bruce (8 de febrero de 2013). "Watson de IBM consigue su primer contrato en el sector sanitario" . Forbes . Consultado el 10 de marzo de 2013 .
  18. ↑ Cohn, Jonathan (marzo de 2013). "El robot te atenderá ahora" . The Atlantic .
  19. ↑ Echegaray, Sebastian; Gevaert, Olivier; Shah, Rajesh; Kamaya, Aya; Louie, John; Kothary, Nishita; Napel, Sandy (18 de noviembre de 2015). "Muestras centrales para características radiómicas insensibles a la segmentación tumoral: método y estudio piloto utilizando imágenes de TC de carcinoma hepatocelular" . Journal of Medical Imaging . 2 (4) 041011. doi : 10.1117/1.JMI.2.4.041011 . PMC 4650964. PMID 26587549 .  
  20. ↑ Murphy, K.; van Ginneken, B.; Schilham, AM; et al. (2009). "Una evaluación a gran escala de la detección automática de nódulos pulmonares en TC de tórax utilizando características de imagen locales y clasificación de k vecinos más cercanos". Medical Image Analysis . 13 (5): 757– 770. doi : 10.1016/j.media.2009.07.001 . hdl : 2066/81262 . PMID 19646913 . S2CID 25181663 .   
  21. ↑ Suzuki, K.; Armato III, 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 baja dosis". Medical Physics . 30 (7): 1602– 1617. Bibcode : 2003MedPh..30.1602S . doi : 10.1118/1.1580485 . PMID 12906178 . 
  22. ↑ Chan, HP; Lo, SC; Sahiner, B.; et al. (1995). "Detección asistida por computadora de microcalcificaciones mamográficas: reconocimiento de patrones con una red neuronal artificial". Medical Physics . 22 (10): 1555– 1567. Bibcode : 1995MedPh..22.1555C . doi : 10.1118/1.597428 . hdl : 2027.42/134770 . PMID 8551980 .  
  23. ↑ Gletsos, Miltiades; Mougiakakou, Stavroula; Matsopoulos, George; Nikita, Konstantina; Nikita, Alexandra; Kelekis, Dimitrios (2003). "Un sistema de diagnóstico asistido por computadora para caracterizar lesiones hepáticas focales en TC: diseño y optimización de un clasificador de red neuronal". IEEE Transactions on Information Technology in Biomedicine . 7 (3): 153– 162. doi : 10.1109/TITB.2003.813793 . PMID 14518728 . S2CID 18918667 .  
  24. ↑ Mougiakakou, Stavroula; Golemati, Spyretta; Gousias, Ioannis; Nicolaides, Andrew; Nikita, Konstantina (2007). "Diagnóstico asistido por computadora de la aterosclerosis carotídea basado en estadísticas de imágenes de ultrasonido, textura de Laws y redes neuronales". Ultrasound in Medicine and Biology . 33 (1): 26– 36. doi : 10.1016/j.ultrasmedbio.2006.07.032 . PMID 17189044 . 
  25. ↑ Stoitsis, John; Valavanis, Ioannis; Mougiakakou, Stavroula; Golemati, Spyretta; Nikita, Alexandra; Nikita, Konstantina (2006). "Diagnóstico asistido por computadora basado en procesamiento de imágenes médicas y métodos de inteligencia artificial". Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment . 569 (2): 591– 595. Bibcode : 2006NIMPA.569..591S . doi : 10.1016/j.nima.2006.08.134 .
  26. ↑ 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" . Medical Physics . 38 (4): 1844– 1858. Bibcode : 2011MedPh..38.1844C . doi : 10.1118/1.3561504 . PMC 3069992. PMID 21626918 .  
  27. ↑ 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 . 
  28. ↑ 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 . 
  29. 1 2 3 4 5 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 .  
  30. ↑ Wadhwa, RR; Park, DY; Natowicz, MR (2018). "La precisión de las herramientas de diagnóstico basadas en computadora para la identificación de trastornos genéticos concurrentes". American Journal of Medical Genetics Part A . 176 (12): 2704– 2709. doi : 10.1002/ajmg.a.40651 . PMID 30475443 . S2CID 53758271 .  
  31. ^ 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 .  
  32. ↑ Taylor P, Potts HW (2008). "Ayudas informáticas y segunda lectura humana como intervenciones en la mamografía de cribado: dos revisiones sistemáticas para comparar los efectos sobre la detección del cáncer y la tasa de repetición de pruebas" (PDF) . European Journal of Cancer . 44 (6): 798– 807. doi : 10.1016/j.ejca.2008.02.016 . PMID 18353630 . 
  33. ↑ Benjamens, Stan; Dhunnoo, Pranavsingh; Mesko, Bertalan (2020). "El estado de los dispositivos médicos y algoritmos aprobados por la FDA basados ​​en inteligencia artificial: una base de datos en línea" . npj Digital Medicine . 3 118. doi : 10.1038/s41746-020-00324-0 . PMC 7486909. PMID 32984550 .  
  34. ^ 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 .  
  35. ↑ 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 archivo y comunicación de imágenes". J Thorac Imaging . 21 (1): 27– 31. doi : 10.1097/01.rti.0000203638.28511.9b . PMID 16538152. S2CID 31230950 .  
  36. ↑ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1988-03-01). "Análisis de características de imagen y diagnóstico asistido por computadora en radiografía digital. 3. Detección automatizada de nódulos en campos pulmonares periféricos". Medical Physics . 15 (2): 158– 166. Bibcode : 1988MedPh..15..158G . doi : 10.1118/1.596247 . ISSN 2473-4209 . PMID 3386584 .  
  37. ^ 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 .   
  38. ↑ Coppini, G.; Diciotti, S.; Falchini, M.; Villari, N.; Valli, G. (2003-12-01). "Redes neuronales para diagnóstico asistido por computadora: detección de nódulos pulmonares en radiografías de tórax". IEEE Transactions on Information Technology in Biomedicine . 7 (4): 344– 357. doi : 10.1109/TITB.2003.821313 . ISSN 1089-7771 . PMID 15000360 . S2CID 15121082 .   
  39. ↑ Giger, ML; Bae, KT; MacMahon, H. (1994-04-01). "Detección computarizada de nódulos pulmonares en imágenes de tomografía computarizada". Investigative Radiology . 29 (4): 459– 465. doi : 10.1097/00004424-199404000-00013 . ISSN 0020-9996 . PMID 8034453 . S2CID 9800069 .   
  40. ↑ Kanazawa, K.; Kawata, Y.; Niki, N.; Satoh, H.; Ohmatsu, H.; Kakinuma, R.; Kaneko, M.; Moriyama, N.; Eguchi, K. (1998-03-01). "Diagnóstico asistido por computadora para nódulos pulmonares basado en imágenes de TC helicoidal" . Computerized Medical Imaging and Graphics . 22 (2): 157– 167. doi : 10.1016/S0895-6111(98)00017-2 . ISSN 0895-6111 . PMID 9719856. Archivado del original el 27-04-2021 . Recuperado el 04-05-2017 .  
  41. ↑ 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 consistente". Física en Medicina y Biología . 61 (6): 2283– 2301. Bibcode : 2016PMB....61.2283C . doi : 10.1088/0031-9155 / 61/6/2283 . PMID 26930386. S2CID 206020910 .  
  42. ↑ Chen, S.; Suzuki, K. (2014-02-01). "Separación de huesos de radiografías de tórax mediante redes neuronales artificiales de entrenamiento masivo múltiple anatómicamente específicas combinadas con suavizado de minimización de variación total". IEEE Transactions on Medical Imaging . 33 (2): 246– 257. doi : 10.1109/TMI.2013.2284016 . ISSN 0278-0062 . PMID 24132005 . S2CID 922550 .   
  43. ↑ Suzuki, K.; Abe, H.; MacMahon, H.; Doi, K. (2006-04-01). "Técnica de procesamiento de imágenes para suprimir costillas en radiografías de tórax mediante una red neuronal artificial de entrenamiento masivo (MTANN)". IEEE Transactions on Medical Imaging . 25 (4): 406– 416. CiteSeerX 10.1.1.589.8748 . doi : 10.1109/TMI.2006.871549 . ISSN 0278-0062 . PMID 16608057 . S2CID 17961280 .    
  44. ↑ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (2006-12-01). "Aprendizaje de filtros: Aplicación a la supresión de estructuras óseas en radiografías de tórax". Medical Image Analysis . 10 (6): 826– 840. doi : 10.1016/j.media.2006.06.002 . ISSN 1361-8415 . PMID 16859953 .  
  45. ↑ Chen, S.; Suzuki, K. (2013-02-01). "Detección computarizada de nódulos pulmonares mediante radiografía virtual de doble energía" . IEEE Transactions on Bio-Medical Engineering . 60 (2): 369– 378. doi : 10.1109/TBME.2012.2226583 . ISSN 0018-9294 . PMC 4283823. PMID 23193306 .   
  46. ↑ Bell, 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". Clinical Radiology . 73 (6) 593.e11–593.e18. doi : 10.1016/j.crad.2018.02.009 . PMID 29602538 . S2CID 4500060 .  
  47. ↑ Suzuki, Kenji; Yoshida, Hiroyuki; Näppi, Janne; Dachman, Abraham H. (2006-10-01). "Red neuronal artificial de entrenamiento masivo (MTANN) para la reducción de falsos positivos en la detección asistida por computadora de pólipos: supresión de tubos rectales". Medical Physics . 33 (10): 3814– 3824. Bibcode : 2006MedPh..33.3814S . doi : 10.1118/1.2349839 . ISSN 2473-4209 . PMID 17089846 .  
  48. ↑ Golemati, Spyretta; Nikita, Konstantina (2019). Cardiovascular Computing-Methodologies and Clinical Applications . Springer.
  49. ↑ 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" . IEEE Journal of Biomedical and Health Informatics . 19 (3): 1137– 1145. doi : 10.1109/JBHI.2014.2329604 . PMID 24951709. S2CID 5924749 .  
  50. ↑ 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 de ultrasonido". IEEE Transactions on Biomedical Engineering . 60 (3): 652– 658. doi : 10.1109/TBME.2013.2244601 . PMID 23380846 . S2CID 5653986 .  
  51. ↑ Golemati, Spyretta; Patelaki, Eleni; Gastounioti, Aimilia; Andreadis, Ioannis; Liapis, Christos; Nikita, Konstantina (2020). "Patrones de sincronización del movimiento de la placa ateromatosa carotídea a partir de ultrasonido en modo B" . Scientific Reports . 10 (1): 11221. Bibcode : 2020NatSR..1011221G . doi : 10.1038/s41598-020-65340-2 . PMC 7343786. PMID 32641773 .  
  52. ^ 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 .  
  53. ↑ Golemati, Spyretta; Gastounioti, Aimilia; Nikita, Konstantina (2016). "Estimación del movimiento del tejido cardiovascular basada en imágenes de ultrasonido". IEEE Reviews in Biomedical Engineering . 9 : 208–218 . doi : 10.1109/RBME.2016.2558147 . S2CID 23333131 . 
  54. ↑ Gastounioti, Aimilia; Golemati, Spyretta; Stoitsis, John; Nikita, Konstantina (2013). "Análisis del movimiento de la pared de la arteria carótida a partir de ultrasonido en modo B utilizando coincidencia de bloques adaptativa: evaluación in silico y aplicación in vivo". Física en Medicina y Biología . 58 (24): 8647– 8661. Bibcode : 2013PMB....58.8647G . doi : 10.1088/0031-9155/58/24/8647 . PMID 24256708. S2CID 11571104 .  
  55. ^ 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 . 
  56. ↑ Goldenberg, Roman; Eilot, Dov; Begelman, Grigory; Walach, Eugene; Ben-Ishai, Eyal; Peled, Nathan (2012). "Triaje simple asistido por computadora (CAST) para angiografía coronaria por TC (CCTA)" . Revista Internacional de Radiología y Cirugía Asistida por Computadora . 7 (6): 819– 827. doi : 10.1007/s11548-012-0684-7 . ISSN 1861-6410 . PMID 22484719. S2CID 5627031 .   
  57. ↑ Chaplot, Sandeep; Patnaik, LM; Jagannathan, NR (2006). "Clasificación de imágenes cerebrales por resonancia magnética utilizando ondículas como entrada para una máquina de vectores de soporte y una red neuronal". Procesamiento y control de señales biomédicas . 1 : 86–92 . doi : 10.1016/j.bspc.2006.05.002 .
  58. ↑ Maitra, Madhubanti; Chatterjee, Amitava (2006). "Un sistema inteligente basado en la 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 .
  59. ↑ Wang, S.; Wu, W. (2010). "Un nuevo método para la clasificación de imágenes cerebrales por resonancia magnética basado en PSO caótico adaptativo" . Progress in Electromagnetics Research . 109 : 325–343 . doi : 10.2528/PIER10090105 .
  60. ↑ Zhang, Yudong; Wu, L. (2011). "Clasificación de imágenes cerebrales por resonancia magnética mediante un algoritmo de colonia de abejas artificiales mejorado" . Progress in Electromagnetics Research . 2011 : 65–79 . doi : 10.2528/PIER11031709 .
  61. 1 2 Padma, A.; Sukanesh, R. (2014). "Segmentación y clasificación de imágenes de TC cerebral utilizando características de textura estadística de ondículas combinadas". Arabian Journal for Science and Engineering . 39 (2): 767– 776. doi : 10.1007/s13369-013-0649-3 . S2CID 62615810 . 
  62. ↑ Zhang, Yudong; Dong, Zhengchao; Ji, Genlin (2015). "Efecto del diagrama de telaraña en la clasificación de imágenes cerebrales por resonancia magnética". Pattern Recognition Letters . 62 : 14–16 . Bibcode : 2015PaReL..62...14Z . doi : 10.1016/j.patrec.2015.04.016 .
  63. ↑ 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 .
  64. ↑ Das S.; Chowdhury M.; Kundu MK (2013). "Clasificación de imágenes de RM cerebral mediante análisis geométrico multiescala de ripplet" . Progress in Electromagnetics Research . 137 : 1–17 . doi : 10.2528/pier13010105 .
  65. ↑ Zhang, Y.; Wang, S. (2013). "Un sistema clasificador de imágenes cerebrales por resonancia magnética mediante optimización por enjambre de partículas y máquina de vectores de soporte de kernel" . The Scientific World Journal . 2013 130134. doi : 10.1155/2013/130134 . PMC 3791634. PMID 24163610 .  
  66. ↑ Kalbkhani H.; Shayesteh MG; Zali-Vargahan B. (2013). "Algoritmo robusto para la clasificación de imágenes de resonancia magnética cerebral (IRM) basado en series de varianzas GARCH". Procesamiento y control de señales biomédicas . 8 (6): 909– 919. doi : 10.1016/j.bspc.2013.09.001 .
  67. ↑ El-Dahshan ESA; Mohsen HM; Revett K.; et al. (2014). "Diagnóstico asistido por computadora de tumores cerebrales humanos mediante resonancia magnética: una revisión y un nuevo algoritmo". Expert Systems with Applications . 41 (11): 5526– 5545. doi : 10.1016/j.eswa.2014.01.021 . 
  68. ↑ Zhou, Xing-Xing (2015). "Detección de patología cerebral en resonancia magnética basada en entropía wavelet y clasificador bayesiano ingenuo". Bioinformática e ingeniería biomédica . Notas de clase en ciencias de la computación. Vol. 9043. pp. 201–209 . doi : 10.1007/978-3-319-16483-0_20 . ISBN   978-3-319-16482-3.
  69. ↑ Zhang, Yudong; Wang, Shuihua; Dong, Zhengchao (2014). "Clasificación de la enfermedad de Alzheimer basada en imágenes de resonancia magnética estructural mediante árbol de decisión de máquina de vectores de soporte de kernel" . Progress in Electromagnetics Research . 144 : 185–191 . doi : 10.2528/PIER13121310 .
  70. ↑ Signaevsky, Maxim; Prastawa, Marcel; Farrell, Kurt; Tabish, Nabil; Baldwin, Elena; Han, Natalia; Iida, Megan; Koll, John; Bryce, Clare; Purohit, Dushyant; Haroutunian, Vahram; McKee, Ann; Stein, Thor; White-III, Charles; Walker, Jamie; Richardson, Timothy; Hanson, Russell; Cordon-Cardo, Carlos; Donovan, Michael; Zeineh, Jack; Fernandez, Gerardo; Crary, John (2019). "Inteligencia artificial en neuropatología: evaluación de la tauopatía basada en aprendizaje profundo" . Laboratory Investigation . 99 (7): 1019– 1029. doi : 10.1038/s41374-019-0202-4 . PMC 7684013. PMID 30770886 .  
  71. ↑ Friston, K.; Poline, JP.; Holmes, CJ; Frith, CD; Frackowiak, RS (1996). "Análisis multivariado de estudios de activación PET". Hum. Brain Mapp . 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 .  
  72. ↑ Martínez-Murcia, FJ; Górriz, JM; Ramírez, J.; Puntonet, CG; Illán, IA (2013). " Mapas de actividad funcional basados ​​en medidas de significancia y análisis de componentes independientes" . Computer Methods and Programs in Biomedicine . 111 (1): 255– 268. doi : 10.1016/j.cmpb.2013.03.015 . PMC 6701938. PMID 23660005 .  
  73. ↑ Dong, ZC (2015). "Detección de sujetos y regiones cerebrales relacionadas con la enfermedad de Alzheimer mediante escaneos de resonancia magnética 3D basados ​​en eigenbrain y aprendizaje automático" . Frontiers in Computational Neuroscience . 66 (9): 66. doi : 10.3389/fncom.2015.00066 . PMC 4451357. PMID 26082713 .  
  74. ↑ 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". Brain Imaging and Behavior . 6 (1): 61– 69. doi : 10.1007/s11682-011-9142-3 . PMID 22101754. S2CID 10069584 .  
  75. ^ 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 aplicadas a datos de ADNI" . Hipocampo . 19 (6): 579– 587. doi : 10.1002/hipo.20626 . PMC 2837195 . PMID 19437497 .  
  76. ↑ Martínez-Murcia, FJ; Gorriz, JM; Ramírez, J.; Ortiz, A. (2016). "Mapeo cerebral esférico de imágenes de RM para la detección de la enfermedad de Alzheimer". Current Alzheimer Research . 13 (5): 575– 588. doi : 10.2174/1567205013666160314145158 . hdl : 10481/42543 . PMID 26971941 . S2CID 30472186 .  
  77. ↑ "Diagnóstico EXINI" .
  78. ↑ 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 gammagrafía ósea de cuerpo entero en medicina nuclear". IEEE Transactions on Nuclear Science . 54 (3): 514– 522. Bibcode : 2007ITNS...54..514H . doi : 10.1109/TNS.2007.897830 . S2CID 20730927 . 
  79. 1 2 3 4 5 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 . 
  80. 1 2 Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J; Liew, G; Bolter, L; Srinivas, S; Nittala, M; Sadda, S; Taylor, P; Rudnicka, AR (s.f.). "Software automatizado para la evaluación de imágenes de retinopatía diabética: precisión diagnóstica y rentabilidad en comparación con evaluadores humanos" . Oftalmología . 124 (3): 343– 351. doi : 10.1016/j.ophtha.2016.11.014 . PMID 28024825 . 
  81. 1 2 3 4 5 6 7 Ahmad, A.; Mansoor, AB; Mumtaz, R.; Khan, M.; Mirza, SH (2014-12-01). "Procesamiento y clasificación de imágenes en retinopatía diabética: una revisión". 2014 5.º 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 . 
  82. ↑ Fraz, MM; Barman, SA; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, AR; Owen, CG (2012-11-01). "Un enfoque para localizar los vasos sanguíneos de la retina utilizando planos de bits y detección de la línea central" . Comput. Methods Prog. Biomed . 108 (2): 600– 616. doi : 10.1016/j.cmpb.2011.08.009 . ISSN 0169-2607 . PMID 21963241 .  
  83. ↑ Priya, R; Aruna, 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.
  84. ↑ Abedin, Zain ul (10 de noviembre de 2023). "¿Qué es CAD/CAM?" . Mechanical Mentor . Recuperado el 7 de febrero de 2024 .
  85. ↑ Saleh, Marwan D.; Eswaran, C. (2012-10-01). "Un sistema automatizado de apoyo a la toma de decisiones para la retinopatía diabética no proliferativa basado en la detección de MA y HA". Comput. Methods Prog. Biomed . 108 (1): 186– 196. doi : 10.1016/j.cmpb.2012.03.004 . ISSN 0169-2607 . PMID 22551841 .  
  86. 1 2 Antal, B.; Hajdu, A. (2012-06-01). "Un sistema basado en conjuntos para la detección de microaneurismas y la clasificación de la retinopatía diabética". IEEE Transactions on Biomedical Engineering . 59 (6): 1720– 1726. arXiv : 1410.8577 . doi : 10.1109/TBME.2012.2193126 . ISSN 0018-9294 . PMID 22481810 . S2CID 16382245 .   
  87. 1 2 Administrador (2015-05-20). "Revisión sobre: ​​Detección de retinopatía diabética mediante SVM y MDA" . Revista Internacional de Aplicaciones Informáticas . 117 (20): 1– 3. Bibcode : 2015IJCA..117t...1S . doi : 10.5120/20667-2485 .
  88. ^ 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.
  89. ↑ 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 .  
  90. ↑ Mukherjee, Siddhartha (27 de marzo de 2017). "IA versus MD" The New Yorker . Recuperado el 3 de febrero de 2018 .
  91. ↑ "Por qué la inteligencia artificial para la lectura de escáneres es una mala noticia para los radiólogos" . The Economist . 29 de noviembre de 2017. Consultado el 3 de febrero de 2018 .
  92. ↑ 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 .  
  • Imágenes digitales de retina para la extracción de vasos sanguíneos (DRIVE)
  • Análisis estructurado de la REtina ( STARE)
  • Base de datos de imágenes de fondo de ojo de alta resolución (HRF, por sus siglas en inglés)