Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Software de reconstrucción volumétrica de corazón e identificación de pericarditis a partir de imágenes diagnósticas Alejandra Valentina Acosta Cuéllar Juan Sebastian Bernal Torres Universidad Militar Nueva Granada Facultad de Ingenieŕıa Ingenieŕıa en Mecatrónica Bogotá D.C., Colombia 2021 Software de reconstrucción volumétrica de corazón e identificación de pericarditis a partir de imágenes diagnósticas Alejandra Valentina Acosta Cuéllar Juan Sebastian Bernal Torres Trabajo de grado presentado como requisito para optar al t́ıtulo de: Ingeniero(a) en Mecatrónica Tutor: Ph.D Mauricio Plaza Torres Co-Tutor: Ph.D(c) Fredy David Bernal Castillo Asesora: MY.DM. Damiana Gregoria Vergel Hernández Jefe de servicio de imágenes diagnósticas Hospital Militar Central Universidad Militar Nueva Granada Facultad Ingenieŕıa Ingenieŕıa en Mecatrónica Bogotá D.C., Colombia 2021 A mi madre, mi más grande apoyo, y mi gran ejemplo a seguir, que siempre estuvo conmigo guiándome por el buen camino, mostrándome que es ser una persona luchadora y llena de valores. No hay amor más grande que el tuyo y el que te tengo, por lo que mis logros llevan tu nombre siempre. A mi padre, por nunca dudar de mi, y mostrar- me que siempre puedo ser mejor, por mostrar cada d́ıa el amor incondicional de un padre a su hijo y ser ejemplo en mi vida. Muchas gracias. Juan Sebastian Bernal Torres A mis queridos padres, Luz Denis y Rodrigo, de quienes solo he recibido apoyo incondicional durante todos estos años de formación. No habŕıa sido posible sin ustedes. Alejandra Valentina Acosta Cuéllar Agradecimientos Expresamos nuestros agradecimiento a la MY. MD. Damiana Gregoria Vergel Hernandez, Jefe de Servicio de Imágenes Diagnósticas del HMC, por ofrecernos su apoyo y el conocimien- to médico necesario para orientar este trabajo. De igual manera, manifestamos un profundo agradecimiento a nuestros mentores, Ph.D. Mauricio Plaza Torres y Ph.D(c) Fredy David Bernal Castillo, quienes nunca perdieron la fe en nosotros e hicieron todo lo que tuvieron a su alcance para proporcionarnos las herramientas y los escenarios requeridos en el camino. Al Hospital Militar Central por interesarse en el proyecto y aśı mismo facilitarnos el material médico pertinente. Y por último, damos gracias a todos aquellos de que una forma u otra fueron part́ıcipes de este proyecto y contribuyeron con alguna idea u ofrenda de ánimo para concluir de manera exitosa este trabajo de grado. Gracias a todos. ix Resumen Los avances tecnológicos mejoran constantemente los procesos en distintas áreas de lo co- tidiano y lo profesional y ejemplo de esto en el campo de la medicina, son las imágenes diagnósticas obtenidas por métodos como la resonancia magnética, ultrasonido, la tomograf́ıa y demás, para la identificación de diversas patoloǵıas. Estos procedimientos comúnmente son largos, tediosos y requieren de costosos equipos biomédicos especializados para su análisis. Por ello, en el presente trabajo se presenta el diseño y la implementación de un software a nivel académico capaz de realizar la reconstrucción volumétrica del corazón e identificar la posible presencia de pericarditis en un paciente, todo esto haciendo uso de imágenes de diagnóstico médico. Su desarrollo parte con la adquisición de un dataset con imágenes obte- nidas mediante el método de resonancia magnética y proporcionadas por el Hospital Militar Central de Bogotá, bajo acuerdo de confidencialidad. A partir de este se implementaron técnicas de detección de movimiento, segmentación de tejidos, filtros de suavizado y el méto- do de reconstrucción de superficies de Poisson para conseguir el modelo tridimensional del corazón más aproximado; aśı como la adopción de algoritmos de inteligencia artificial basa- dos en redes neuronales convolucionales y modelos pre-entrenados para estimar la presencia de dicha patoloǵıa. Palabras clave: Imágenes diagnósticas, Inteligencia artificial, Pericarditis, Reconstruc- ción 3D. Abstract Technological advances are constantly improving their processes in different areas of daily and professional life; an example of this in the field of medicine, would be the diagnostic ima- ges obtained by methods such as magnetic resonance, ultrasound, tomography and others, for the identification of various pathologies. These procedures are often long, tedious and require expensive specialized biomedical equipment for analysis. For this reason, this work presents the design and implementation of a software within an academic level capable of performing volumetric reconstruction of the heart and identifying the possible presence of pericarditis in a patient, all this using medical diagnostic images. Its development starts with the acquisition of a dataset with images obtained using the magnetic resonance method and provided by the Central Military Hospital of Bogotá, under a confidentiality agreement. From this they were implemented motion detection techniques, tissue segmentation, smoothing fil- ters and the Poisson surface reconstruction method were implemented to achieve the most approximate three-dimensional model of the heart. Keywords: Diagnostic Imaging, Artificial Intelligence, Pericarditis, 3D Reconstruction Contenido Agradecimientos VII Resumen IX Lista de figuras XII Lista de tablas XV 1. Introducción 2 1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.2. Objetivos espećıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.5. Delimitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2. Marco teórico 11 2.1. Imagenoloǵıa médica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.1.1. El estándar DICOM: compatibilidad entre equipos . . . . . . . . . . . 11 2.1.2. Modalidades de imágenes médicas . . . . . . . . . . . . . . . . . . . . 13 2.2. Resonancia magnética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.1. Resonancia magnética de corazón . . . . . . . . . . . . . . . . . . . . 15 2.3. Métodos de reconstrucción volumétrica . . . . . . . . . . . . . . . . . . . . . 20 2.3.1. Marching Cube . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.2. Shear-Warp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.3. Nube de Puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.4. Reconstrucción superficial de Poisson . . . . . . . . . . . . . . . . . . 23 2.3.5. Formas alfa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.3.6. Pivote de bola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4. Identificación de patrones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2. Redes neuronales convolucionales . . . . . . . . . . . . . . . . . . . . 30 2.4.3. Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 xii Contenido 2.4.4. Aplicabilidad de la inteligencia artificial en el campo de la salud . . . 32 3. Metodoloǵıa 33 3.1. Adquisición del dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.1. Aspectos éticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.2. Análisis inicial del dataset . . . . . . . . . . . . . . . . . . . . . . . . 36 3.2. Definición de herramientas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383.3. Generación del modelo tridimensional . . . . . . . . . . . . . . . . . . . . . . 38 3.3.1. Procesamiento de imágenes diagnósticas . . . . . . . . . . . . . . . . 39 3.3.2. Reconstrucción Multiplanar(MPR) . . . . . . . . . . . . . . . . . . . 43 3.3.3. Reconstrucción superficial . . . . . . . . . . . . . . . . . . . . . . . . 46 3.3.4. Resultados de la reconstrucción volumétrica y comparación entre di- ferentes técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4. Identificación de la patoloǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.4.1. Pre-procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.4.2. Modelos de inteligencia artificial implementados . . . . . . . . . . . . 55 3.4.3. Desbalance de clases . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.4.4. Métodos de optimización . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.5. Análisis de resultados y selección del modelo de identificación . . . . . . . . 66 3.6. Interfaz de usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 3.6.1. Diseño e implementación . . . . . . . . . . . . . . . . . . . . . . . . . 76 3.7. Pruebas finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4. Conclusiones y recomendaciones 84 4.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.2. Recomendaciones y trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . 85 Glosario 86 Bibliograf́ıa 87 A. Anexo: Aval Institucional - Comité de ética Hospital Militar Central 95 B. Anexo: Manual de usuario 97 Lista de Figuras 2-1. A: Plano 2C con linea de corte respecto al plano 4C, B: Plano 4C, C: Plano EC con linea de corte respecto al 4C. Tomada de la base de datos entregada por el Hospital Militar Central . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2-2. A: Plano 2C, B: Plano 4C con linea de corte respecto al plano 2C, C: Plano EC con linea de corte respecto al plano 2C. Tomada de la base de datos entregada por el Hospital Militar Central . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2-3. A: Plano 2C con linea de corte respecto al plano EC, B: Plano 4C con linea de corte respecto al plano EC, C: Plano EC. Tomada de la base de datos entregada por el Hospital Militar Central . . . . . . . . . . . . . . . . . . . . 18 2-4. Pericarditis aguda [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2-5. Pericarditis constrictiva [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2-6. (A) Isosuperficies generadas en un voxel. (B) Binarización de las isosuperficies[2] 21 2-7. (A) muestro de las imágenes sin aplicar Shear-warp . (B) muestro de las imágenes aplicando Shear-warp [2] . . . . . . . . . . . . . . . . . . . . . . . 22 2-8. Nube de puntos de una silla [3] . . . . . . . . . . . . . . . . . . . . . . . . . 23 2-9. Reconstrucción superficie de Poisson 2D [4] . . . . . . . . . . . . . . . . . . . 24 2-10.Método formas alfa visto en 2D [5] . . . . . . . . . . . . . . . . . . . . . . . 24 2-11.Método pivote de bola en 2D [6] . . . . . . . . . . . . . . . . . . . . . . . . . 25 2-12.Vista general de algoritmos de machine learning categorizados en función del tipo de aprendizaje: supervisado y no supervisado [7] . . . . . . . . . . . . . 26 2-13.Contraste de similitud entre una neurona biológica y una artificial. (A): Es- quema de una neurona biológica. (B) Esquema de una neurona artificial[8]. . 27 2-14.Ejemplo topoloǵıa de red neuronal artificial con dos capas ocultas [9] . . . . 27 2-15.Listado de algunas funciones de activación [10] . . . . . . . . . . . . . . . . . 29 2-16.Arquitectura ejemplo de una red neuronal convolucional [11] . . . . . . . . . 30 2-17.Idea general de la transferencia de aprendizaje [12] . . . . . . . . . . . . . . 31 2-18.Manipulación de capas finales del modelo (finetuning) [13] . . . . . . . . . . 31 2-19.Vista general de técnicas y aplicaciones médicas de algunos algoritmos de inteligencia artificial [14] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3-1. Distribución de los estudios adquiridos . . . . . . . . . . . . . . . . . . . . . 36 3-2. Cantidad de imágenes por protocolo o secuencia a lo largo de diferentes planos cardiacos y de cuerpo general . . . . . . . . . . . . . . . . . . . . . . . . . . 37 xiv Lista de Figuras 3-3. Reconstrucción Multiplanar(MPR) [15] . . . . . . . . . . . . . . . . . . . . . 39 3-4. EC CINE-Dataset del Hospital Militar Central . . . . . . . . . . . . . . . . . 40 3-5. EC-cine detector de movimiento . . . . . . . . . . . . . . . . . . . . . . . . . 41 3-6. Dilatación de una imagen binaria[16, 17] . . . . . . . . . . . . . . . . . . . . 41 3-7. EC-primer filtro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3-8. A: Imagen de entrada. B: Matriz de salida [18] . . . . . . . . . . . . . . . . . 42 3-9. A: Plano EC sin segmentar, B: Plano 2C sin segmentar, C: Plano 4C sin segmentar, D: Mascara plano EC, E: Mascara plano 2C, F: Mascara plano 4C, G: Plano EC segmentado, H: Plano 2C segmentado, I: Plano 4C segmentado 43 3-10.MPR del corazón [19] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3-11.Examen de RM-2C tomado en diferentes posiciones. Tomada de la base de datos entregada por el Hospital Militar Central . . . . . . . . . . . . . . . . 45 3-12.(A) EC rotado. (B) 2C rotado. (C) 4C rotado . . . . . . . . . . . . . . . . . 45 3-13.(A) Primera nube de puntos. (B) Vectores de la nube de puntos . . . . . . . 46 3-14.Nube de puntos con valores RGB . . . . . . . . . . . . . . . . . . . . . . . . 47 3-15.(A) Método formas alfa. (B) Método pivote de bola. (C) Método reconstruc- ción superficial de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3-16.Primera reconstrucción superficial de Poisson . . . . . . . . . . . . . . . . . . 48 3-17.Reconstrucción volumétrica sin iteraciones . . . . . . . . . . . . . . . . . . . 48 3-18.Reconstrucción final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3-19.Render del corazón: método Formas alfa variando los radios . . . . . . . . . 49 3-20.Render del corazón: método Pivote de bola variando los radios . . . . . . . . 50 3-21.Render del corazón método Reconstrucción superficial de Poisson . . . . . . 51 3-22.Reconstrucción final con los métodos: (A) Método formas alfa. (B) Método pivote de bola. (C) Método reconstrucción superficial de Poisson . . . . . . . 51 3-23.(A) Muestra de estudios normalizados. (B) Muestra de estudios normalizados enfocando la región de interés . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3-24.Nueva distribución de datos en conjuntos de entrenamiento (Train), validación (Validation) y testeo (Test) . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3-25.Función de activación ReLU [20] . . . . . . . . . . . . . . . . . . . . . . . . . 56 3-26.Primero modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . . 57 3-27.Segundo modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . 58 3-28.Tercer modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . . . 59 3-29.Cuarto modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . . 60 3-30.Ejemplo de un bloque con 5 capas densas en las arquitecturas DenseNet [21] 60 3-31.Arquitecturas oficiales de DenseNet [21] . . . . . . . . . . . . . . . . . . . . . 61 3-32.Quinto modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . . 61 3-33.Arquitectura Inception-V3 [22] . . . . . . . . . . . . . . . . . . . . . . . . . . 62 3-34.Sexto modelo a evaluar. Diseño propio. . . . . . . . . . . . . . . . . . . . . . 62 3-35.Arquitectura modelo Xception [23] . . . . . . . . . . . . . . . . . . . . . . . 63 Lista de Figuras xv 3-36.Comportamiento modelo 1. (A) Con optimizadorAdam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 3-37.Comportamiento modelo 2. (A) Con optimizador Adam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3-38.Comportamiento modelo 3. (A) Con optimizador Adam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3-39.Comportamiento modelo 4: Red pre-entrenada DenseNet169. (A) Con opti- mizador Adam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . 70 3-40.Comportamiento modelo 5: Red pre-entrenada InceptonV3. (A) Con optimi- zador Adam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . . . 71 3-41.Comportamiento modelo 6: Red pre-entrenada Xception. (A) Con optimizador Adam. (B) Con optimizador SGD y Momentum . . . . . . . . . . . . . . . . 72 3-42.Matriz de confusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 3-43.Diseño de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 3-44.Diagrama de flujo de la función principal . . . . . . . . . . . . . . . . . . . . 77 3-45.Ventana emergente para la selección del paciente . . . . . . . . . . . . . . . . 77 3-46.Ventana emergente - Reconstrucción volumétrica . . . . . . . . . . . . . . . . 78 3-47.Planos EC, 2C y 4C en la interfaz . . . . . . . . . . . . . . . . . . . . . . . . 79 3-48.Plano para la ubicación espacial del corazón . . . . . . . . . . . . . . . . . . 79 3-49.Esquema general identificación pericarditis . . . . . . . . . . . . . . . . . . . 80 3-50.(A) Estado uno. (B) Estado dos. (C) Estado tres . . . . . . . . . . . . . . . 80 3-51.Interfaz gráfica del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 3-52.Reconstrucción volumétrica en 10 pacientes . . . . . . . . . . . . . . . . . . . 82 3-53.(A) Segmentación de corazón del paciente 01. (B) Segmentación de corazón del paciente 02. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Lista de Tablas 1-1. Precios software de visualización de imágenes médicas y su reconstrucción volumétrica, precios de maquina tomógrafo de resonancia magnética [24, 25] 8 2-1. Ejemplo Data Elements formato DICOM . . . . . . . . . . . . . . . . . . . . 12 2-2. Caracteŕısticas formato DICOM para diferentes métodos de adquisición de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2-3. Imagenoloǵıa: Modalidades y caracteŕısticas [26, 27, 28] . . . . . . . . . . . . 13 2-4. Nivel de dificultad visual de diferentes grupos en RM cardiaca [29] . . . . . . 16 2-5. Secuencias para evaluar la anatomı́a del corazón, y su funcionalidad [1, 30] . 16 2-6. Clasificación de las redes neuronales según número de capas ocultas y tipo de conexión [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2-7. Clasificación de las redes neuronales según su valor de entrada y el mecanismo de aprendizaje [31] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2-8. Modelos pre-entrenados famosos para clasificación de imágenes . . . . . . . . 32 3-1. Tiempo de máquina variando los radios en método Formas alfa . . . . . . . 50 3-2. Tiempo de máquina variando los radios en método Pivote de bola . . . . . . 50 3-3. Tabla con las mejores reconstrucciones obtenidas . . . . . . . . . . . . . . . . 51 3-4. Error de entroṕıa cruzada binaria ponderada por cada modelo . . . . . . . . 72 3-5. Resultado de evaluación de métricas en cada modelo . . . . . . . . . . . . . 75 3-6. Diagnostico de pericarditis en diferentes pacientes . . . . . . . . . . . . . . . 81 1. Introducción La inteligencia artificial es una rama de la computación que tiene la capacidad de dotar a diversos dispositivos tecnológicos con herramientas para realizar tareas cotidianas que so- porten múltiples actividades humanas. Gracias ha esto se ha generado la optimización de procesos y la introducción a nuevos desarrollos que antes no se créıan posibles [32, 33]. La aplicación de la inteligencia artificial en el campo de la medicina se ha visto últimamente creciente en métodos de diagnósticos y tratamientos de pacientes, ayudando a prevenir el avance de enfermedades de manera pronta [34]. La radioloǵıa es una rama de la medicina que ha permitido generar estudios computacio- nales para el diagnostico médico, como lo son la tomograf́ıa computarizada y la resonancia magnética. La adquisición de estas imágenes médicas hace posible el análisis morfológico de tejidos, flujos, calcificaciones, etc, generando información diagnostica valiosa acerca de diver- sas patoloǵıas. La reconstrucción volumétrica o tridimensional es uno de los avances que se han desarrollado en esta área de imagenoloǵıa, ofreciendo la posibilidad de percibir ciertos detalles visuales de una forma óptima o menos ardua que en las imágenes bidimensionales. Un ejemplo de esto es la Tomograf́ıa Volumétrica Digital (TVD) la cual ha sido mayormente utilizada como gúıa de procedimiento para una evaluación prequirúrgica [35]. El objetivo de este trabajo de grado es unificar estos avances computacionales por medio de un software sin costo y para uso académico, el cual tenga la capacidad de generar un estudio volumétrico del corazón e identifique una patoloǵıa cardiaca (Pericarditis) haciendo uso de la inteligencia artificial e imágenes diagnósticas de resonancia magnética. Esto ayudaŕıa a estudiantes y personal médico en la tarea de localizar zonas del corazón a partir de modelos 3D e identificar pericarditis validando el dictamen con los resultados ofrecidos por el modelo de aprendizaje automático implementado. La razón fundamental que incentiva el desarrollo de este trabajo es la actual dificultad que existe para acceder a los equipos biomédicos que permiten la manipulación de imágenes implementando los métodos ya mencionados. Aśı mismo, dada la importancia del corazón debido a su función indispensable de distribuir la sangre hacia todos los rincones del cuerpo y en vista de que Colombia presenta una gran proporción de muertes a causa de enfermedades cardiacas desde el 2013 [36], se encuentra la motivación para escoger este órgano y una de sus diversas patoloǵıas como el foco de atención para implementar estas tecnoloǵıas. 1.1 Antecedentes 3 Para el desarrollo del programa se escoge un lenguaje de programación de código abierto que cuente con las herramientas y libreŕıas necesarias que permitan concretar el objetivo pro- puesto. En cuanto al material de trabajo, si bien se esperaba conseguir todas las imágenes de estudio de forma libre en la web, ante la dificultad de adquirir estudios con los diagnósticos necesarios se optó por solicitar el apoyo del Centro de Imágenes diagnósticas del Hospital Militar Central para tener acceso a los estudios de sus bases de datos. En el caṕıtulo metodológico se define la naturaleza del dataset a utilizar, las consideraciones éticas pertinentes y los recursos tanto de software como de hardware utilizados a lo largo del proyecto. Más adelante, en secciones posteriores, se darán a conocer cada uno de los pasos seguidos para generar una reconstrucción volumétrica del corazón, especificando el pre-procesamiento efectuado sobre las imágenes y la implementación de técnicas como la reconstrucción multiplanar y la reconstrucción superficial de Poisson. Finalmente, culminando con el desarrollo de las actividades, se darán a conocer los diferentes modelos de inteligencia artificial entrenados para encontrar patrones en las imágenes y su respectivo análisis de resultados bajo el cual se realiza la selección del algoritmo óptimo; además, previo a las conclusiones de proyecto, se presenta el software propuesto en su versión terminada y el conjunto de pruebas realizadas que corroboran su correcto funcionamiento.1.1. Antecedentes Las diferentes técnicas para adquisición de radioloǵıa diagnóstica son algunos de los avances de uso más frecuente en el campo de la medicina, pues desde su invención sus múltiples aplicaciones han servido para detectar distintas patoloǵıas y salvar vidas [2]. Las primeras exploraciones con imágenes diagnósticas eran de carácter neurológico y ortopédico [37, 38], pero con el pasar de los años y debido al crecimiento exponencial de la tecnoloǵıa se de- sarrollaron los estudios necesarios y ésta se convirtió en una herramienta esencial en todos los procesos de tipo neoplásicos (hernias discales, patoloǵıas cerebrales, afecciones cardiacas, etc) [38]. Aśı mismo, con el surgimiento de nuevas técnicas como la reconstrucción de figuras tridimensionales aparecen nuevas alternativas para el análisis de patoloǵıas, pero esta vez contando con diferentes puntos de observación en el espacio. Muchos estudios se han dedicado a exponer diversas formas de obtener reconstrucciones tridimensionales de calidad a partir de imágenes de diagnóstico médico. Y. Cisneros et al. [39] plantean la generación de imágenes tridimensionales de modelos mecano-biológicos con aplicaciones ortopédicas integrando el método de los elementos finitos; en su documento, se recomienda el uso de técnicas de segmentación semiautomática para detección de gran- des áreas antes de realizar la reconstrucción . J. Coronel et al. [40] utilizan InVesalius, un software de uso libre que contiene una base de datos de imágenes diagnósticas y permite 4 1 Introducción su manipulación y generación de modelos 3D. Este primer modelo, cuya generación no es completamente limpia, pasa por un procesamiento extra donde se segmenta, de forma vo- lumétrica, las partes innecesarias para obtener la figura final correcta. Otros autores han preferido ir más allá del simple modelado de órganos para recrear aplica- ciones de mayor valor como la reconstrucción un ciclo del movimiento cardiaco. A partir de imágenes de resonancia magnética (MRI) y tomograf́ıa computarizada de alta definición, X. Wang et al. [41], recrean el modelo tridimensional del corazón implementando el algoritmo de cubos de marcha con un previo suavizado y preservación de bordes a través de la técnica del desplazamiento o variación media. Posterior a esto, se analiza el modelo generado como una nube de puntos, cada uno parametrizado mediante una función, para obtener múltiples figuras volumétricas de diferentes momentos del ciclo cardiaco. Conservando este mismo sentido de innovación, S. Jiang et al. [42] proponen en su trabajo una alternativa para la reconstrucción de órganos contando, como se explicó desde el co- mienzo, con imágenes tomográficas (CT). Con la finalidad de reducir la dosis de radiación que puede recibir un paciente a quién se le realice la toma de imágenes, el trabajo platea, en un marco de reconstrucción iterativa, el desarrollo de un diccionario de aprendizaje para disminuir los efectos de ruido y distorsión generados por la falta de información causada por la disminución de imágenes tomadas. De no ser aśı, el material seŕıa completamente inútil para la reconstrucción de los modelos tridimensionales. Los anteriores trabajos e investigaciones establecen las primeras bases informativas para encaminar el proyecto de grado aqúı planteado. Las diferentes técnicas propuestas para el desarrollo del proceso reconstructivo definen algunos elementos a tener en cuenta en el de- sarrollo de la metodoloǵıa. En 2016, P. Nugroho et al [43], ingenieros eléctricos del Instituto Politécnico de Surabaya en Indonesia, recrearon una reconstrucción volumétrica del corazón a partir del algoritmo de cu- bos de marcha (MC). En su documento “3D Heart Image Reconstruction and Visualization with Marching Cubes Algorithm” especifican cómo funciona el método implementado, con- trastan los resultados y análisis brindados por distintos autores que han aplicado el algoritmo en diferentes desarrollos y, como era de esperarse, concluyen el éxito de la reconstrucción de modelos 3D a partir de la misma técnica utilizando únicamente un conjunto de 64 imágenes. El objetivo de la investigación está orientado a demostrarle al lector la importancia de la eta- pa de pre-procesamiento, aquella desarrollada a detalle sobre todos las imágenes diagnósticas antes de realizar el modelo tridimensional final. Para ello el trabajo plantea la aplicación de un filtro Laplasiano, el cual redefine la nitidez de los bordes entre cada parte del corazón, el escalamiento de colores mediante un umbral binario y diferentes herramientas como el 1.1 Antecedentes 5 filtro de área de contorno y de erosión y dilatación para eliminar aquellas partes innecesarias en cada imagen. Como función ilustrativa, los autores elaboran la reconstrucción repetidas veces descartando alguna de las técnicas mencionadas en cada intento, esto con la intención de no obtener modelos distorsionados, llenos de ruido y con apariencia dura, sin suavizar. Finalmente, el documento presenta la reconstrucción más acertada de acuerdo a la metodo- loǵıa descrita. Este estudio es de gran valor para la investigación porque marca la importancia de un buen procesamiento de imágenes previo a la creación del modelo 3D del órgano; además, muestra una bandeja de múltiples técnicas comúnmente usadas para alcanzar este fin con resultados óptimos y, aśı mismo, brinda ánimos al lector para obtener resultados de calidad a pesar de contar con material limitado. Un método muy renombrado para el análisis de imágenes médicas es la reconstrucción mul- tiplanar (MPR), el cual se evidencia en el articulo ”SLD253 Módulo de reconstrucción multi- planar para estudios de tomograf́ıa axial computarizada”[44]. El objetivo principal era poder incorporar la MPR en el área de radioloǵıa de diferentes hospitales venezolanos y cubanos y, por tanto, demarca la importancia de este método en la obtención de distintos planos visua- les en diferentes regiones del cuerpo a evaluar. Lo anterior se realizó utilizando tres imágenes perpendiculares entre śı y generando un diagnostico de mayor eficiencia y precisión. Un caso similar donde se utiliza la técnica de reconstrucción multiplanar es expuesto por M. Kantarci et al. [45]. Su objetivo era evaluar las incidencias en el puente miocárdico y por tal motivo se implementó la reconstrucción multiplanar utilizando vistas sagitales del corazón. Como resultado final, se obtuvieron los planos necesarios para la reconstrucción volumétrica, se pudo reconocer la profundidad y la longitud del puente miocárdico y fue posible identificar la afección cardiaca. Otro documento análogo corresponde al trabajo de grado realizado por L. Mercado [46] en el 2018 plantea, como dice su t́ıtulo, el “procesamiento y reconstrucción tridimensional de estructuras cardiacas a partir de imágenes de TAC”. En él, la autora desarrolla paso a paso el procedimiento realizado, especificando las técnicas de filtrado y renderización implementa- das en el tratamiento de imágenes diagnósticas hasta obtener la reconstrucción volumétrica del órgano especificado; cabe aclarar que las imágenes utilizadas contaban con el formato DICOM generado directamente por el tomógrafo SIEMENS Somaton Force localizado en la Cĺınica de la Costa. Una vez alcanzada la meta, el trabajo haćıa énfasis en la selección de la arteria aorta como estructura cardiaca a visualizar a través del proceso de segmentación. La finalidad de este proyecto consist́ıa en recrear una interfaz de usuario donde la recons- trucción 3D de zona cardiaca y el análisis de la estructura de interés se realizara de forma apropiada pese a la calidad de las imágenes. Para ello, la metodoloǵıa utilizada recurrió, 6 1 Introducción inicialmente, al pre-procesamiento de las imágenesen el software Python, re-escalando los ṕıxeles según las unidades de Hounsfield; de esta manera, y según la cantidad de rayos X absorbidos por cada sustancia que compone el corazón, se identificaron las secciones toráci- cas a conservar y también aquellas que requeŕıan ser filtradas utilizando para esto el método de Erosión y apertura, el método de Otsu y el filtro de la mediana. Posteriormente, para la reconstrucción volumétrica se implementó un paquete propio del software basado en mallas creadas a partir del algoritmo de los cubos de marcha. Aśı mismo, la interfaz gráfica se desarrolló en el software “Qt Designer”, de Anaconda Navigator. Dicho todo lo anterior, la investigación [46] se relaciona con el trabajo planteado ya que propone una solución factible para el tratamiento y procesamiento de imágenes aśı como métodos y programas de cómputo para la debida reconstrucción tridimensional. Aśı mismo, el documento presenta las debidas conclusiones y análisis una vez completados los entrega- bles prometidos, lo cual resulta muy útil puesto que ilustra la efectividad de las técnicas utilizadas, menciona las posibles fallas que podŕıan presentarse en el proceso y, además, pre- senta algunas recomendaciones para trabajos e intervenciones futuras. Otro método de reconstrucción 3D es planteado en el documento “3D reconstruction of coro- nary arteries and atheroscleric plaques based on computed tomography angiography images” en [47], el cual busca la reconstrucción volumétrica de arterias coronarias con el uso de angio- graf́ıa por tomograf́ıa computarizada. El trabajo plantea una metodoloǵıa eficaz mediante la cual, para obtener las imágenes por angiograf́ıa por TAC, se aplica el filtro Frangi Vesselness para la identificación de regiones de interés y eliminación de ruidos. La luminosidad en la imagen es la clave para la segmentación y por tanto, realizar la operación umbral binaria de cada segmento ayuda a la obtención de información de densidades, flujo y seccionamiento; cuando se construyen las superficies de malla de cada segmento y gracias al algoritmo de Marching Cubes, se construye el modelado 3D; Marching Cubes extrae una malla poligonal y con un enfoque de triangulación entre cada imagen construye el modelo, llegando aśı al resultado querido. La reconstrucción gráfica de un objeto mediante imágenes 2D, como las que se aprecian en la lectura de los documentos [41, 43, 46, 47], se realiza mediante una de las metodoloǵıas más utilizadas en la actualidad, Marching Cubes. En el documento “Templated Marching Cubes - A Low Computing Approach To Surface Rendering” en [48] se presenta la imple- mentación de este algoritmo hasta completar la reconstrucción; además propone un estudio para mejorar el desarrollo de la técnica. Por otro lado se encuentran diferentes avances que incorporan múltiples conceptos del apren- dizaje automático. Ejemplo de esto se presenta en la tesis de grado elaborada por A. Lopez [49], quien utilizando imágenes diagnósticas procedentes de la comunidad en ĺınea de Kaggle, 1.2 Planteamiento del problema 7 redes neuronales profundas y múltiples modelos pre-entrenados, logra analizar y concluir el volumen ventricular izquierdo del corazón. Conociendo este indicador y la cantidad de san- gre eyectada en cada latido es posible llegar a detectar múltiples enfermedades cardiacas y potenciales riesgos de muerte, además de reducir de manera considerable el tiempo invertido por el personal médico mientras analiza cada corazón en sus fases de śıstole y diástole. A. Ahmad y A. Sarwar [50] exponen en su art́ıculo más reciente una revisión literaria en retrospectiva sobre 42 art́ıculos referentes al uso de algoritmos de inteligencia de artificial como herramienta de apoyo médico. En este, se describen las alternativas más utilizadas en prácticas de aprendizaje tanto supervisado como no supervisado desde 1990 hasta el 2019 y a partir de su análisis, encaminan estos conocimientos en el estudio de los fluidos de las diferentes cavidades corporales, donde la presencia de anomaĺıas en estos podŕıa conllevar a un paciente a sufrir de trastornos considerables como hemorragias, insuficiencia cardiaca, embolia pulmonar, neumońıa, pericarditis, entre otras. Aśı, los autores reconocen la seg- mentación de las zonas de interés, las técnicas de aprendizaje profundo, las redes neuronales convolucionales y la clasificación por árboles de decisión como las herramientas más eficientes y mayormente usadas para asistir a los profesionales de la salud en el diagnóstico temprano de estas afecciones. Las investigaciones anteriormente enunciadas nos dan, en conjunto, una proyección general sobre las problemáticas a tratar tanto en términos de metodoloǵıas de reconstrucción vo- lumétrica a partir de imágenes médicas, como en los temas referentes a la identificación de patoloǵıas, la funcionalidad de estás técnicas en las aplicaciones médicas y el costo compu- tacional que requiere su ejecución. 1.2. Planteamiento del problema Con los años, el análisis de imágenes diagnósticas se ha convertido en uno de los métodos más usados por los médicos para identificar y tratar diversas enfermedades. Esta tendencia combinada con algoritmos de reconstrucción tridimensional ha constitúıdo una nueva forma de enriquecer el material para diagnosticar a los pacientes. Sin embargo, los altos costos de equipos calificados encargados de obtener la información y recrear los modelos volumétricos, han limitado el uso de esta herramienta únicamente a hospitales y proyectos investigativos los cuales reciben, con algo de dificultad, la información necesaria de los mismos centros de salud. Esto imposibilita en gran medida cualquier acercamiento que desee tener el personal no médico, como lo seŕıan los estudiantes en formación y ciudadanos en general. La reconstrucción de modelos tridimensionales mediante imágenes 2D ha generado solucio- nes relevantes a problemáticas que involucran el análisis de diferentes secciones del cuerpo humano. Por ello, diferentes empresas entregadas al desarrollo biomédico se han dedicado 8 1 Introducción a la creación y venta de equipos y programas capaces de recrear y analizar los modelos de manera autónoma, aunque a un alto costo, restringiendo su uso a cualquier individuo que no pertenezca a una entidad de la salud y no cuente con un t́ıtulo médico profesional. En la tabla 1-1 se encuentra el valor en el mercado de algunos tomógrafos de resonancia magnética y software médico que permiten la adquisición y manipulación de imágenes como ayuda en la generación de los diagnósticos. Tabla 1-1.: Precios software de visualización de imágenes médicas y su reconstrucción vo- lumétrica, precios de maquina tomógrafo de resonancia magnética [24, 25] Equipo/Herramienta biomédica Valor en pesos colombianos SIEMENS Magnetom Avanto 1.5T $1.106’648.847 GE Optima MR360 1.5T $1.213’737.100 SIEMENS MAGNETOM Sonata 1.5T $270’228.260 ESAOTE Vet-MR 0.2T $206’106.300 Tomógrafo de resonancia TOSHIBA VANTAGE TITAN 1.5T $1.305’339.900 magnética HITACHI Aperto Lucent 0.4T $1.076’332.900 TOSHIBA VANTAGE ELAN 1.5T $1.385’492.350 SIEMENS Magnetom Symphony 1.5T $1.076’332.900 TOSHIBA ExcelArt Vantage 1.5T $295’986.967 PHILIPS Achieva 1.5T $893’127.300 Software visualización y GE enCORE 2007 software $2’239.688 manipulación de imágenes PI-DENTAL DSJ $52’034.971 médicas / diagnóstico EYEIMG RETINAPHILE $3’018.312 médico INOMED IPS $2’088.544 La dificultad para acceder a este tipo de herramientas ha representado un obstáculo para que la comunidad de estudiantes de medicina o cualquier individuo presto a la investigación haga uso del material bajo cualquier circunstancia, limitando sus operaciones a la aplicación de metodoloǵıas convencionales. Por esto, existe la necesidad de dar los primeros pasospara realizar un software de uso gratuito, con accesibilidad para todos, capaz de realizar análisis y que implemente la creación de modelos volumétricos. PREGUNTA DE INVESTIGACIÓN ¿Es posible diseñar un software que permita analizar y detectar presencia de pericarditis en imágenes diagnosticas de resonancia magnética con la caracteŕıstica que sea de libre uso y de fácil manejo? 1.3 Justificación 9 1.3. Justificación En el campo de la medicina, el análisis tridimensional de diferentes órganos a partir de imáge- nes diagnósticas es una metodoloǵıa no invasiva que, de forma óptima, permite la obtención de información detallada sobre el estado de un paciente y a partir de ella se emite la diagno- sis respectiva. Generalmente, para manipular material radiológico de esa forma es necesario contar con equipo especializado de alto valor monetario, motivo por el cual este tipo de análisis no es asequible para todo el mundo, salvo por las entidades de la salud que prestan el servicio de radioloǵıa. Debido a esto nació el deseo de implementar un software gratuito, agradable para cualquier usuario y que facilite la interpretación de imágenes diagnósticas, compensando el factor “error humano” en sus análisis involucrando técnicas de aprendizaje automático. Esto beneficiaŕıa en gran medida tanto a médicos como a estudiantes de medi- cina durante su proceso de formación académica. 1.4. Objetivos 1.4.1. Objetivo general Diseñar e implementar un software que por medio de imágenes diagnósticas de resonancia magnética de tórax, genere la reconstrucción volumétrica del corazón e identifique la posible presencia de pericarditis. 1.4.2. Objetivos espećıficos Identificar los métodos existentes de reconstrucción volumétrica a partir de imágenes 2D. Investigar algoritmos de inteligencia artificial que permitan reconocer patrones en imágenes diagnósticas. Diseñar un programa donde estén inmersos los procesos de reconstrucción del corazón e identificación de la inflamación en el pericardio. Comparar el resultado y análisis obtenido con datos reales de corazones diagnosticados con y sin pericarditis. 1.5. Delimitación El trabajo planteado pretende finalizar con el desarrollo e implementación del software con las siguientes caracteŕısticas y limitaciones: 10 1 Introducción La reconstrucción 3D y el respectivo análisis de la patoloǵıa se presentarán en una interfaz gráfica amigable y el usuario no podrá editar el código base. El software diseñado solo identificará la presencia o no de pericarditis sin ahondar en sus posibles clasificaciones o causas. Las imágenes de diagnóstico médico utilizadas para crear la herramienta computacional estarán en formato médico DICOM y serán obtenidas a través de páginas web o centros hospitalarios. El programa final solo será considerado como una herramienta de uso educativo. Los resultados obtenidos no serán evaluados con el análisis subjetivo de profesionales de la salud. 2. Marco teórico 2.1. Imagenoloǵıa médica La imagenoloǵıa médica hace referencia a los conjuntos de imágenes diagnósticas que, adqui- ridas a través de diferentes herramientas tecnológicas, permiten la obtención de información fisiológica y anatómica de distintos órganos y regiones del cuerpo humano [51, 52]. Un vez adquirida y analizada la información necesaria, el personal médico puede proceder a realizar el diagnóstico de la patoloǵıa y evaluar al paciente durante el tratamiento[53]. 2.1.1. El estándar DICOM: compatibilidad entre equipos El estándar DICOM, con sus siglas en inglés Digital Imaging and Communications in Me- dicine, describe el conjunto de normas internacionales bajo las cuales la comunidad médica da formato, almacena y realiza la transferencia de imágenes digitales e información médica entre diferentes equipos independientemente de su fabricante. Este protocolo de uniformidad nace en 1985 gracias a los esfuerzos de la American College of Radiology (ACR) y National Electrical Manufacturers Association (NEMA) y desde entonces ha tenido el respaldo de gran parte de los productores de equipos biomédicos en cuestión. [54, 55]. Los archivos en formato DICOM posen un gran número de atributos, también denomina- dos metadatos, que tiene por objetivo ser información complementaria de la imagen digital. Algunos de estos datos están relacionados con información general o personal del paciente (nombre, edad, sexo, lugar del examen, etc), mientras que otros dan una descripción más profunda sobre el contenido de la imagen y el estudio realizado (tipo de imagen diagnóstica, tamaño del voxel, escala, color, etc). Un punto importante a la hora de interpretar un estudio en formato DICOM es conocer su sintaxis. Un archivo de esta clase se compone de una secuencia de objetos denominados Data sets y cada objeto contiene a su vez un conjunto de Data Elements, como atributos de este objeto. Cada elemento se compone de un tag o etiqueta, un valor de representación, una longitud y un valor de campo [56]: La sintaxis que define la etiqueta está dada de la forma (xxxx,xxxx), un par de valores hexadecimales de 2 bytes donde el primero representa el número del grupo y el segundo 12 2 Marco teórico indica el número del atributo. Por ejemplo, la etiqueta (0010,0040) corresponde al sexo del paciente siendo 0010 el indicativo del grupo “paciente” y 0040 el elemento “sexo”. El valor de representación define el tipo y el formato del dato que se almacena. La longitud expresa el espacio ocupado por ese elemento El valor de campo indica el contenido que el elemento almacena. En la tabla 2-1 se presenta de forma ilustrativa un pequeño conjunto de atributos DICOM y sus respectivas descripciones. Tabla 2-1.: Ejemplo Data Elements formato DICOM Tag Nombre objeto Descripción Tipo (0010,0010) Patients Name Nombre del paciente evaluado String (0018,0015) Body Part Examined Zona del cuerpo examinada String (0028,0103) Pixel Representation 0: Todos los elementos son po- sitivos Int 1: Puede haber valores negati- vos (0028,0100) Bits Allocated Rango de valores N (bits) que puede tomar la matriz repre- sentativa de la imagen Int (0028,0002) Samples per Pixel Canales de la imagen: Grises (1) - RGB(3) Int (7FE0,0010) Pixel Data Matriz de pixeles que repre- senta la imagen Byte si Bits Allo- cated = 8 ó Uint16 si Bits Allocated = 10, 12 ó 16 En la tabla 2-2, se especifican algunas caracteŕısticas puntuales que la compañ́ıa Softneta[57] señala por cada metodoloǵıa de adquisición imagenológica indicada. Tabla 2-2.: Caracteŕısticas formato DICOM para diferentes métodos de adquisición de imágenes Sigla Método Matriz(px) Bits por px Tamaño CD Doppler de flujo a color 768 x 576 8 0,442 MB CR Radiograf́ıa computarizada 3520 x 4280 12 30 MB 2.1 Imagenoloǵıa médica 13 Sigla Método Matriz (px) Bits por px Tamaño CT Tomograf́ıa computarizada 512 x 512 16 0,524 MB MG Mamograf́ıa 4608 x 5200 14 45,7 MB MR Resonancia Magnética 256 x 256 16 0,131 MB NM Medicina Nuclear 256 x 256 - 0,128 MB PET Tomograf́ıa por emisión de Positrones 128 x 128 - 32 MB US Ultrasonido 512 x 512 8 0,262 MB Todos los atributos al detalle y demás especificaciones de este estándar pueden ser consul- tados a profundidad desde su sitio web oficial en [58]. 2.1.2. Modalidades de imágenes médicas Existe un gran abanico de métodos de adquisición de imágenes diagnósticas, cada una de estas describe un principio f́ısico diferente y sus cualidades determinan su conveniencia en la detección de ciertas enfermedades. Algunas de las modalidades de imagenoloǵıa que se utilizan con mayor frecuencia se presentan en la tabla 2-3. Tabla 2-3.: Imagenoloǵıa: Modalidades y caracteŕısticas [26, 27, 28] Método Principio Caracteŕısticas Ecograf́ıa o Ultrasonido Un transductor genera una señal acústica a una frecuencia noperceptible por los humanos y se captura la fuerza y el tiempo en que esta se regresa al reflejarse sobre los tejidos o huesos - Relación señal/ruido muy ba- ja - Resolución moderada - No utiliza radiación ionizante - Depende completamente de un operador - Bajo coste - Accesible a pacientes inesta- bles - Ventana acústica limitada Tomograf́ıa computarizada por emisión de fotón único (SPECT) Alrededor de un paciente quien previamente ha sido inyectado o ha inhalado un radioisótopo, gira una cámara capaz de detectar la radiación gamma que se que se ha desplazado y concentrado en diferentes órganos y tejidos del cuerpo - Método de medicina nuclear - Requiere uso de radiofárma- cos - Genera imágenes en diversos planos 14 2 Marco teórico Método Principio Caracteŕısticas Tomograf́ıa computarizada (TC) Un tubo fuente de rayos X enfrentado con un detector giran a la par alrededor del paciente mientras este se desplaza en movimiento rectiĺıneo. Con este equipo se mide la intensidad con la que el haz de rayos X atraviesa los diferentes tejidos humano o por el contrario, captura las desviaciones que este presente - Utiliza radiación ionizante -Genera principalmente cortes axiales - Gran detalle anatómico - Funciona como valoración pre-quirúrgica - Caracterización de tejidos a partir de sus densidades - Permite valoración de estruc- turas cardiacas - Permite detección de calcifi- caciones Resonancia Magnética (RM) Con imanes de 0.5 a 3 Tesla, se crea un pulso magnético que alinea átomos de hidrógeno en el cuerpo del paciente. Cuando este se interrumpe, las moléculas perturbadas regresan a su estado de magnetización anterior. Esto produce una señal que es detectada por equipos e instrumentos de adquisición los cuales se encargan de transformarla en imagen. - No utiliza radiación ionizante - Genera imágenes en múltiples planos sin cambiar la posición del paciente - Alto contraste, detalle y reso- lución espacial - Examen de larga duración - Mayor costo - No recomendable en pacientes inestables - Largo tiempo de adquisición 2.2. Resonancia magnética La resonancia magnética (RM) es uno de los avances más influyentes de la medicina y la imagenoloǵıa. Se introdujo a mediados del siglo XX cuando Eric Odeblad y Gunnar Linds- trom lograron la obtención del espectro del protón de eritrocitos en músculo e h́ıgado de ratas y fluidos humanos. Esto fue evolucionando para generar hoy en d́ıa la adquisición de imágenes médicas, convirtiéndose en un desaf́ıo para f́ısicos, matemáticos, ingenieros y otros profesionales[59, 60]. 2.2 Resonancia magnética 15 Esta metodoloǵıa de adquisición de imágenes se utiliza para visualizar de manera detallada diferentes órganos y tejidos del cuerpo, facilitando y optimizando de esta forma los diagnósti- cos médicos. Aśı como la técnica de tomograf́ıa computarizada, la resonancia magnética se define como un estudio no invasivo y de alta resolución, aumentando la visibilidad de gran número de patoloǵıas [59, 1]. Un estudio de RM funciona gracias a principios f́ısicos evaluados en el campo magnético generado por un imán, el cual direcciona los átomos de hidrógeno que abundan en el cuerpo en dirección de este campo [61]. Este efecto f́ısico se produce porque el hidrógeno es un material paramagnético. Luego, un emisor de ondas de radiofrecuencia cambia de dirección los átomos de hidrógeno y, al dejar de emitir la onda, los átomos hidrógenos retornan a la posición definida por el campo magnético liberando enerǵıa que se capta en forma de señal. El tiempo que tardan los átomos para retornar a la posición del campo se denomina tiempo de relajación; este tiempo se codifica para la obtención de la imagen [62]. El tiempo de relajación se compone de dos momentos: T1 y T2 [63, 62]. Estos definen el tiempo en el cual la molécula de hidrógeno recupera su posición inicial en un 63 % y el tiempo en el cual pierde su posición inicial un 37 %, respectivamente; de estos se derivan diversas secuencias de la RM. Al variar diferentes parámetros en la toma de los datos es posible obtener diferentes formas de visualizar los órganos y tejidos del cuerpo[59, 1]. 2.2.1. Resonancia magnética de corazón El estudio cĺınico del corazón ha ido evolucionando con la variedad de métodos no invasivos para la toma de imágenes computarizadas, la más utilizada es la eco-cardiograf́ıa por su mayor accesibilidad económica, aunque superada por la tomograf́ıa computarizada y la reso- nancia magnética (RM) gracias a su alta robustez como sistema para la adquisición detallada de la imagen [64, 1]. La RM es considera como método ideal debido a escasa exposición a los rayos x y a que posibilita la obtención de cualquier plano del cuerpo, permitiendo las medi- ciones lineales y volumétricas en el corazón y aśı, un dictamen patológico más preciso [64, 65]. En la tabla 2-4 se presenta el nivel de complejidad visual de diferentes situaciones médicas en el corazón evaluada en una escala de tres niveles, siendo el primero de estos el de menor dificultad [29]. 16 2 Marco teórico Tabla 2-4.: Nivel de dificultad visual de diferentes grupos en RM cardiaca [29] Nivel 1 Nivel 2 Nivel 3 Morfoloǵıa/función cardiaca • Enfermedad valvular • Enfermedades del miocardio • Enfermedad pericárdica • Estudio de masas y tumores • Infarto de miocardio / viabilidad • Cardiopat́ıas congénitas • Estudio de grandes vasos • Detección de isquemia miocárdica • Las diferentes secuencias en resonancia magnética para el estudio funcional y morfológico se muestran en la tabla 2-5: Tabla 2-5.: Secuencias para evaluar la anatomı́a del corazón, y su funcionalidad [1, 30] Protocolo para cardiorresonancia Parámetros y secuencias usadas en los protocolos Caracteŕısticas Morfoloǵıa: Este estudio es realizado en secuencias de sangre negra a contrastes diferentes. T1 Tiempo de relajación longitudinal del protón DP Criterio para definir el contraste de la imagen T2 Tiempo de relajación transversal del protón Función: Se utiliza en las secuencias cine, para evaluar el movimiento cardiaco y función ventricular. FFE Esta técnica permite el estudio funcional de cine-cardiograf́ıa TFE Esta técnica permite el estudio funcional de cine-cardiograf́ıa BTFE Se usa para lograr imágenes rápidas Cuantificación de flujo Contraste de fase Permite la adquisición de angiograf́ıas sin contraste Perfusión: Con este protocolo se identifican esquimias, bajo la entrada de medio contraste. 2.2 Resonancia magnética 17 Protocolo para cardiorresonancia Parámetros y secuencias usadas en los protocolos Caracteŕısticas Realce tardio: Permite distinguir el miocardio viable y no viable Sangre Negra La sangre no produce señal y por este motivo se pueden estudiar fácilmente los tejidos Sangre Blanca La sangre produce señal. Esto funciona en técnicas TOF, contraste de fase, SSFP, ASL, realce de sangre con gadolineo. Angiograf́ıa coronaria: Son señales de sangre intensa TFE Esta técnica permite el estudio funcional de cine-cardiograf́ıa TR Tiempo en el cual se repiten los pulsos de radiofrecuencia Planos cardiacos de estudio Existe un conjunto de planos que facilitan el estudio del corazón en imágenes de RM. Estos cortes no se encuentran alineados con los planos clásicos de cuerpo humano (axial, sagital y coronal), sino que por el contrario, se realizan directamente sobre zonas espećıficas del corazón para conseguir una mejor visual de este. Los planos básicos que se mencionan se denominan planos intŕınsecos cardiacos y están compuestos por las siguientes vistas: el eje corto (EC), dos cámaras o eje largo (2C) y cuatro cámaras(4C) [66, 1]. El 4C es un plano situado de forma perpendicular al EC. Esta vista permite analizar el ápex cardiaco, las válvulas tricúspidey mitral, aśı como las partes del ventŕıculo dere- cho e izquierdo. En la figura 2-1 se visualiza el ventŕıculo izquierdo(VI), el ventŕıculo derecho(VD), la auŕıcula izquierda(AI) y la auŕıcula derecha(AD). Figura 2-1.: A: Plano 2C con linea de corte respecto al plano 4C, B: Plano 4C, C: Plano EC con linea de corte respecto al 4C. Tomada de la base de datos entregada por el Hospital Militar Central 18 2 Marco teórico El plano 2C permite estudiar las relaciones anatómicas del ventŕıculo derecho(VI) y la auŕıcula izquierda(AI)(figura 2-2). Figura 2-2.: A: Plano 2C, B: Plano 4C con linea de corte respecto al plano 2C, C: Plano EC con linea de corte respecto al plano 2C. Tomada de la base de datos entregada por el Hospital Militar Central El plano EC entrega información para cuantificar las funciones cardiacas y examinar la contractibilidad regional. En este plano se logra visualizar el VD y VI (ver figura 2-3). Figura 2-3.: A: Plano 2C con linea de corte respecto al plano EC, B: Plano 4C con linea de corte respecto al plano EC, C: Plano EC. Tomada de la base de datos entregada por el Hospital Militar Central 2.2 Resonancia magnética 19 Análisis de imágenes RM en el estudio de la pericarditis El pericardio es una membrana que rodea el corazón la cual está compuesta por una zona interna (visceral serosa) y otra externa (parietal fibrocolagenosa). En medio de ellas se con- tiene un ĺıquido de volumen inferior a 50ml, lo que generalmente define un grosor de 4mm. La funcionalidad del ĺıquido pericárdico es mejorar la eficiencia cardiaca, reducir el movimiento cardiaco y la fricción que conlleva los movimientos del corazón [67, 1]. La pericarditis aguda es una enfermedad inflamatoria del pericardio y se presenta general- mente por infecciones o variedad de otras enfermedades [68, 69]. Esta enfermedad puede percibirse en diferentes imágenes diagnósticas debido al engrosamiento pericárdico que pre- senta (Figura 2-4). Figura 2-4.: Pericarditis aguda [1] Otra variación de esta patoloǵıa es la pericarditis constrictiva. Esta se caracteriza por pre- sentar calcificaciones que pueden identificarse en los exámenes radiológicos, aunque en la mayoŕıa de los casos el diagnostico de esta enfermedad considera principalmente el funcio- namiento del órgano. En la figura 2-5 se muestra el engrosamiento del pericardio cuando se sufre de pericarditis constrictiva [68]. Figura 2-5.: Pericarditis constrictiva [1] 20 2 Marco teórico La resonancia magnética es uno de los métodos utilizados para evaluar pericarditis debido al detalle morfológico que ofrece y a la información hemodinámica que se puede apreciar en las secuencias cine (secuencias que describen el comportamiento en un ciclo cardiaco), siendo capaz de detectar cambios en áreas ventriculares con relación a la respiración [69]. 2.3. Métodos de reconstrucción volumétrica La reconstrucción volumétrica de un objeto permite apreciar caracteŕısticas visuales en un entorno tridimensional. Buscando determinar a partir de su color, textura, y nivel de trans- parencia, un modelo más cercano al real. Esto genera un análisis del objeto sin la necesidad de intervenirlo [2]. Esta reconstrucción es mayormente utilizada en el campo de la medicina para identificar anomaĺıas en diferentes órganos o en la simulación de la f́ısica dinámica de algún sistema. Entre otros campos de aplicación se encuentra la renderización de objetos para generar mo- delos en entornos virtuales para el entretenimiento [2, 46]. Existen distintos métodos para la obtención de imágenes a partir de las cuales se procede a realizar una reconstrucción tridimensional: resonancia magnética (MRI), tomograf́ıa compu- tarizada (CT) en valores de Hounsfield (HUC), tomograf́ıa por emisión de positrones (PET), entre otros [46, 48]. Cada uno de ellos juega un papel de mayor o menor conveniencia según la información que se requiera analizar. Por ejemplo, en el caso de una pericarditis, un análi- sis por CT facilitaŕıa su estudio debido a que el derrame pericárdico contiene un alto nivel de protéına que se traduce en una mayor concentración radiológica [70]. Para la generación del renderizado es importante identificar en la imagen cuál es la sección que se desea reconstruir. De forma general, para completar este proceso de manera exitosa, se deben poner en práctica un conjunto de metodoloǵıas que posibilitan el correcto tratamiento de las imágenes, como lo son las transformaciones morfológicas, la segmentación de las zonas de interés, el filtrado y la eliminación de objetos adicionales o ruidos externos indeseados [46]. Con la imagen filtrada se procede a generar el modelo volumétrico utilizando alguna me- todoloǵıa existente según un previo análisis de las necesidades del usuario y considerando algunas variables como el consumo de máquina, la velocidad de renderizado, la mayor resolu- ción posible de procesar y la obtención de información interna del objeto. Entre los métodos los más implementados se encuentran el algoritmo marching cubes, Shear-warp, splatting, Ray casting, texture mapping y la reconstrucción de la superficie de Poisson [2]. 2.3 Métodos de reconstrucción volumétrica 21 2.3.1. Marching Cube De forma general, la reconstrucción por Marching Cubes se basa en algoritmos de trian- gulación. Los triángulos que genera se unen para crear la superficie deseada tomando los ṕıxeles vecinos en cada uno de los cubos que conforma el modelo original [43, 47, 48]. El cálculo de interpolación para la obtención de cada triángulo dentro del cubo es una pro- yección repetitiva en función de los vértices superficiales de la figura, de esta forma puede generarse un código binario que permite ahorrar la cantidad de interpolaciones encontrando los triángulos equitativos a lo largo de diferentes cubos y en todas sus posibles rotaciones (figura 2-6).Lo anterior se hace posible puesto que se tiene conocimiento de los vértices que generan la normal al plano, identificando de esta manera el triángulo correspondiente o más apto con mayor facilidad. Como información adicional, vale la pena aclarar que la implementación de este algoritmo requiere un gran tiempo y costo computacional. A continuación, en la figura 2-6 se presentan las 15 posibles isosuperficies definidas por Lorensen y Cline, los autores de este método. Figura 2-6.: (A) Isosuperficies generadas en un voxel. (B) Binarización de las isosuperficies[2] 22 2 Marco teórico 2.3.2. Shear-Warp Shear-Warp es un método de reconstrucción volumétrica que parte de imágenes que repre- senten planos de corte de un objeto, siendo útil en reconstrucciones 3D de exámenes médicos como el TAC o CT y la RM. Para visualizar un objeto tridimensional en un monitor solo es necesario que este sea visible en dirección perpendicular a la pantalla, en otras palabras, este es un método que genera la reconstrucción a partir de la dirección en la que se desea observar el objeto. Para lograr esto, normalmente se realiza un muestreo entre las imágenes en dirección al plano de la imagen deseada para obtener el volumen y, por lo general, este muestreo cruza sobre los planos de las imágenes de manera diagonal como se ve en el aparado (A) de la figura 2-7; como lo anterior genera retrasos en la toma de datos, el método aplica una transformación a las imágenes alineando los planos de tal forma que el muestreo que se realice en dirección al plano de la imagen que siempre sea perpendicular. Ver apartado (B) de la figura 2-7. Cabe decir que aunque es un método de adquisición del volumen rápido, este no genera una visión óptima del objeto [2]. Figura 2-7.: (A) muestro de las imágenes sin aplicar Shear-warp . (B) muestro de las imáge- nes aplicando Shear-warp [2] 2.3.3. Nube de Puntos Una nube de puntos hace referencia a los vértices que definen la forma de un objeto,estos se encuentran representados en una matriz que indica la posición del vértice (x,y,z), su color (r,g,b) y la dirección vectorial del vértice (cosα, cosβ, cosγ). La dirección vectorial es precisa para generar la malla que definen los vértices puesto que es quien define, con mayor facilidad, la conexión entre ellos; del mismo modo tiene relevancia la normal de las isosuperficies, pues esta asegura la visualización de la malla en un renderizado [71]. En la figura 2-8 se observa un ejemplo de nube de la nube de puntos de una silla [3]. 2.3 Métodos de reconstrucción volumétrica 23 Figura 2-8.: Nube de puntos de una silla [3] 2.3.4. Reconstrucción superficial de Poisson La reconstrucción superficial de Poisson es un método que trabaja tanto con la nube de pun- tos de un objeto tridimensional como con sus respectivas normales, es decir con una nube de puntos orientada. Este método identifica los puntos que se encuentran fuera y dentro del campo vectorial de la superficie, representándolos como ceros y unos respectivamente. Esto se debe a que el gradiente de la figura tiene relación con el campo vectorial de la nube de puntos orientada, siendo estos puntos los parámetros de entrada de la función del gradiente de la superficie. Por tal motivo, este problema se resume en el ejercicio de hallar el gradiente que se aproxime al campo vectorial definido por los puntos, calculando el escalar cuyo La- placiano es igual a la divergencia del campo vectorial, siendo representada por una ecuación de Poisson (Ecuación 2-1). Este proceso pasa por el método de marching cube, definido an- teriormente, para su debida reconstrucción superficial [72, 73, 4]. 4X = ∇.∇x = ∇. −→ V (2-1) donde: 4X: Función representante del plano superficial−→ V : Representa el campo vectorial del la nube de puntos ∇x: Gradiente 24 2 Marco teórico La figura 2-9 presenta un ejemplo gráfico donde se distinguen los pasos que se generan al aplicar este método. Figura 2-9.: Reconstrucción superficie de Poisson 2D [4] 2.3.5. Formas alfa La forma alfa es un método utilizado para generar la malla que recubre un objeto tridi- mensional definido mediante su nube de puntos. Para su entendimiento, en el documento ’On the shape of a set of points in the plane’ [74] se contrasta este método con un helado con pedazos de chocolate, haciendo referencia a la malla del objeto y a la nube de puntos respectivamente; a este se le retiran trozos de helado con una cuchara esférica sin tocar el chocolate, dándole forma al objeto. El radio de esta cuchara se le conoce como alfa, viéndose representada en la figura 2-10. Los puntos que tocan esta esfera forman lineas rectas entre ellas para después generar triangulación entre los puntos y aśı obtener la malla del objeto 3D [5]. Figura 2-10.: Método formas alfa visto en 2D [5] 2.4 Identificación de patrones 25 2.3.6. Pivote de bola El método pivote de bola se usa para hallar planos triangulares entre la nube de puntos y aśı generar la malla que recubre un objeto tridimensional. Este método se logra implementando una bola esférica a la cual se le define un radio; luego, esta es posicionada entre tres puntos que conforman uno de los planos. Al ser ubicada entre esos tres puntos, comienza a pivotar sobre uno de los vértices hasta que haga contacto nuevamente con tres puntos diferentes y se va generando el contorno del objeto 3D [6]. En la figura 2-11 se muestra cómo seŕıa el recorrido de la esfera en un plano 2D el cual, al ser un plano bidimensional, genera una recta al contacto con dos puntos. Figura 2-11.: Método pivote de bola en 2D [6] 2.4. Identificación de patrones El concepto de Machine Learning (ML) es una rama de la inteligencia artificial (IA) que hace referencia a la forma como aprenden las computadoras a partir de los datos; para ello se utiliza el análisis estad́ıstico de algoritmos que mejoran, de forma iterativa, los resultados de un modelo [75]. De forma general, el desarrollo de los algoritmos de inteligencia artificial se ve influenciado por dos tipos de aprendizaje: supervisado y no supervisado. En el aprendizaje supervisado se define, desde el inicio, una serie de datos de entrada con sus respectivos resultados deseados o etiquetas. Por otro lado, el aprendizaje no supervisado parte de patrones de entrada pero no especifica condiciones de salida a las cuales deben asociarse; en otras palabras, no posee etiquetas [76]. En la figura 2-12 se aprecia de forma resumida la agrupación de algunos algoritmos de ML en función de estas dos categoŕıas. 26 2 Marco teórico Figura 2-12.: Vista general de algoritmos de machine learning categorizados en función del tipo de aprendizaje: supervisado y no supervisado [7] La elección del mejor algoritmo de inteligencia artificial depende únicamente del tipo de problema al cual se le quiera dar solución. 2.4.1. Redes neuronales artificiales Uno de los conceptos presentes en los algoritmos de machine learning se conoce como las redes neuronales artificiales (RNA). Las redes neuronales artificiales están inspiradas en las redes neuronales biológicas, las cuales se construyen a partir de múltiples interconexiones de neuronas conocidas como sinapsis y son la clave del procesamiento del conocimiento [77]. Aśı, una red neuronal artificial se puede definir como un sistema compuesto por neuronas artificiales que están interconectadas entre śı a lo largo de múltiples capas y que definen una función matemática capaz de transformar un conjunto de parámetros de entrada en un número determinado de salidas [7]. De manera análoga con las neuronas biológicas, cada neurona artificial es una unidad pro- cesadora que cuenta con diferentes entradas pi que representan las señales provenientes de otras neuronas, pesos wi que hacen referencia a la intensidad de la sinapsis entre las neuronas 2.4 Identificación de patrones 27 y una función f que define las condiciones de su activación [8]. Esta comparación se presenta en la figura 2-13. Figura 2-13.: Contraste de similitud entre una neurona biológica y una artificial. (A): Es- quema de una neurona biológica. (B) Esquema de una neurona artificial[8]. De forma independiente al tipo de aprendizaje, en las redes neuronales se debe tener en cuenta lo siguientes elementos a la hora de implementarse: Número de capas ocultas : donde se encuentran las neuronas que reciben la información de capas previas y la propaga a las exteriores. Si cuenta con una sola capa oculta se determina “red monocapa” y si cuenta con más de una capa oculta se denomina “red multicapa” [76]. Cuando se trabaja con un gran número de capas ocultas interconecta- das entre śı, se da introducción al concepto de deep learning y la red neuronal se conoce como Deep Neural Network (DNN)[14]. En la figura 2-14 se presenta un ejemplo de red neuronal artificial con un total de dos capas ocultas. Figura 2-14.: Ejemplo topoloǵıa de red neuronal artificial con dos capas ocultas [9] 28 2 Marco teórico Tipo de conexión: se distinguen las siguientes conexiones entre neuronas: • Feedforward o propagación de las señales hacia delante. • FeedBack o propagación donde las capas posteriores se conectan a las entradas de la capa anterior. • Recurrentes, cuando presenta conexiones con las demás neuronas ya sea de la misma capa o de otra capa. • Auto-recurrentes, cuando una neurona presenta conexiones consigo misma. La tabla 2-6 menciona algunas redes neuronales clasificadas en función del tipo de conexión entre neuronas. Tabla 2-6.: Clasificación de las redes neuronales según número de capas ocultas y tipo de conexión [31] Número de capas Tipo de conexiones Ejemplo Redes monocapa Conexiones autorecurrente Brain Stait in A Box Additive Grossberg (AG) Shunting Grossberg (SG) Optimal Linela Associative Memory Conexiones no autorecurrente Hopfield Boltzmann Machine Cauchy Machine Redesmulticapa Conexión hacia adelante/feedforward Adline/Madaline Perceptrón Linear Adaptative Memory (LAM) Drive Reinforcement Retropropagación Conexión hacia atrás/feedback Mapas de Kohonen LAM Conexiones feedforward/feedback ART (Adaptative Resonance Theory) BAM (Bidirectioanl Associative Memory) Valores de entrada-salida: Estas se clasifican en continuas, cuando los datos de entrada y salida son valores reales y se normalizan en una escala menor a la unidad; o discretas, cuando sus valores corresponden a respuestas binarias [31, 78]. La tabla 2-7 presenta algunas redes neuronales clasificadas de esta forma. 2.4 Identificación de patrones 29 Tabla 2-7.: Clasificación de las redes neuronales según su valor de entrada y el mecanismo de aprendizaje [31] Entrada Aprendizaje Ejemplo Redes Neuronales Entrada binaria Supervisado Red Hamming Red Hopfield No supervisado Art 1 Art 2 Entrada Continua Supervisado Perceptrón Retropropagación No Supervisado Mapas de Kohonen o LAM Función de activación: función limitadora (de la salida de una neurona o conjunto de ellas) dada una o varias entradas. Esta puede llegar a ser simétrica, lineal, sigmoidal o competitiva [76]. Algunas de estas funciones se ilustran en la figura 2-15. Figura 2-15.: Listado de algunas funciones de activación [10] 30 2 Marco teórico De acuerdo a la aplicación espećıfica, puede realizarse la selección de alguno de los algoritmos listados en las tablas anteriores. 2.4.2. Redes neuronales convolucionales Una red neuronal convolucional (CNN o ConvNet) es un modelo utilizado principalmente para analizar y reconocer patrones en imágenes. La arquitectura de este tipo de redes es bas- tante similar a las redes neuronales artificiales pero esta involucra un nuevo aspecto del cual deriva su nombre: capas convolucionales. En estas capas se realiza la operación matemática de la convolución entre un conjunto de filtros con dimensiones definidas y las imágenes de entrada, extrayendo de esta forma las caracteŕısticas esenciales de cada una de ellas, como por ejemplo sus bordes, esquinas y las texturas; a medida que se evalúan más capas de convo- lución, es posible identificar patrones aún más complejos y abstractos. Después de las capas convolucionales es posible realizar un ejercicio de sub-sampling o reducción de volumen de datos, conocido en inglés como pooling y posteriormente, estos resultados ingresarán a una red neuronal artificial con múltiples capas completamente conectadas, lo que se denomina una red, fully-conected [79, 80]. Este esquema se ilustra en la figura 2-16. Figura 2-16.: Arquitectura ejemplo de una red neuronal convolucional [11] 2.4.3. Transfer Learning El aprendizaje por transferencia, transfer learning en inglés, es una estrategia propia de Deep Learning que permite optimizar el entrenamiento en un ejercicio de clasificación. En princi- pio, este concepto utiliza redes neuronales pre-entrenadas con otro dataset ajeno y pretende 2.4 Identificación de patrones 31 aplicar el conocimiento de este modelo fuente sobre algún problema o actividad objetivo. Existen dos técnicas para aplicar el aprendizaje por refuerzo: La primera de ellas se denomina ConvNet features o DeCaf y consiste en aprovechar las salidas producidas en las capas internas del modelo pre-entrenado utilizándolas como las entradas a otros modelos (ver fig 2- 17); la segunda técnica se conoce normalmente como finetuning y consta de la manipulación y entrenamiento de las últimas capas del modelo pre-entrenado [13]. Este último se ilustra en la figura 2-18. Figura 2-17.: Idea general de la transferencia de aprendizaje [12] Figura 2-18.: Manipulación de capas finales del modelo (finetuning) [13] A continuación, la tabla 2-8 presenta de forma superficial algunos modelos pre-entrenados que son mayormente conocidos: 32 2 Marco teórico Tabla 2-8.: Modelos pre-entrenados famosos para clasificación de imágenes Nombre/Familia Año Núm. de capas (conv. + densas) AlexNet 2012 5 VGG-16 2014 16 GoogleLeNet 2014 22 ResNet 2015 50-152 (según modelo) DenseNet 2017 121-169 (según modelo) 2.4.4. Aplicabilidad de la inteligencia artificial en el campo de la salud En la actualidad, muchos algoritmos supervisados de inteligencia artificial son usados en aplicaciones médicas que pretenden agilizar tareas como la segmentación de tejidos, detec- ción de cáncer, masas o tumores, identificación del estado cognitivo de un paciente, análisis de resultados de laboratorio, etc, haciendo uso de cientos de variables adquiridas en múlti- ples exámenes de pacientes o utilizando imágenes diagnósticas [81, 7] (ver figura 2-19). Esto se debe en gran medida al alto poder computacional y gráfico de los equipos modernos, al hecho de que mediante estos modelos, es posible reconocer patrones que en ocasiones no son fáciles de percibir por el ojo humano y a que su desempeño en múltiples ejercicios presenta altos ı́ndices de sensibilidad, especificidad y reproducibilidad [82, 14]. Figura 2-19.: Vista general de técnicas y aplicaciones médicas de algunos algoritmos de inteligencia artificial [14] 3. Metodoloǵıa Con el fin de alcanzar los objetivos previamente definidos se planteó una metodoloǵıa se- cuencial que permitiera el desarrollo del software de manera efectiva: En primera instancia se dio lugar a la adquisición de la información base que permitiera ela- borar el software: las imágenes diagnósticas de corazón. Para esto se propuso una búsqueda web del material y se presentó una solicitud al Hospital Militar Central preguntando por la posibilidad de acceder al banco de imágenes de su base de datos. La naturaleza de las imágenes que fueron finalmente adquiridas se describieron y analizaron para hacer alusión al tratamiento posterior. Después, como segundo momento, se definió el lenguaje y/o entorno de programación a implementar teniendo en cuenta que este deb́ıa prescindir de licencias que no no fuesen gratuitas; con esto se terminó de definir los elementos necesarios para la implementación del proyecto. En la tercera etapa se realizó la reconstrucción volumétrica del corazón y para su materia- lización se plantearon tres actividades. En primer lugar se consideró realizar un ejercicio de segmentación de movimiento del corazón en las imágenes diagnósticas, teniendo en cuenta el dinamismo que presenta dicho órgano; la segunda actividad hizo referencia a la selección de un método de reconstrucción tridimensional entre aquellos que fueron expuestos en la revisión teórica inicial. Por último, al encontrar definidas las técnicas correspondientes para generar la reconstrucción del órgano, se dio inicio a la implementación de estos conceptos en el lenguaje anteriormente escogido. La cuarta etapa correspondió a la identificación de la presencia de pericarditis en las imáge- nes de estudio y, de forma similar a la etapa anterior, se formularon tres actividades para alcanzarla: la primera de ellas consistió en revisar de forma conceptual los diferentes méto- dos utilizados para identificar patrones en imágenes. Con base en la teoŕıa se procedió a estructurar seis algoritmos de identificación, esto con el fin de disponer de información de contraste que permitiera analizar, de forma cuantitativa, diferentes métricas como el cálculo de la función de pérdida, la exactitud, entre otras, indicando el modelo con mejor desempeño en el ejercicio de clasificación. Continuando el desarrollo secuencial de la metodoloǵıa, el siguiente paso definió la ela- boración del programa donde se encontraban inmersos estos procesos de reconstrucción e 34 3 Metodoloǵıa identificación. Aqúı se precisaron los detalles y la estructura de la interfaz gráfica con la que podrá interactuar el usuario y, en función de esta, se elaboró el respectivo manual que ilustra al lector en
Compartir