Localización de Regiones de Interés en imágenes DICOM mediante técnicas de Deep Learning

CHRISTIAN BOTTA; LUCAS OLIVERA; DANIEL MARTÍN MORALES; CAPPELLETTI MARCELO

Bernal

Jornada; V Jornadas de Investigadores e Investigadoras en Formación en Ciencia y Tecnología (JIF 2023); 2023

Universidad Nacional de Quilmes (UNQ)

El análisis de estudios biomédicos hace referencia al uso de variosmétodos y técnicas que se emplean para obtener imágenes del cuerpo humano, queluego son utilizadas por profesionales de la salud para diagnosticar y tratar a lospacientes. El procesamiento de dichas imágenes es primordial a la hora de detectaranormalidades e identificar distintas patologías. Con el desarrollo continuo de lastécnicas de aprendizaje profundo (Deep Learning), el análisis de este tipo de imágenesse ha convertido en un campo activo de investigación. El estudio de diferentes tareas dereconocimiento de patrones, para la localización de Regiones de Interés (ROI: Region ofInterest) en imágenes médicas, buscan brindar información que contribuya a encontrarindicios sobre posibles afecciones, anomalías, tumores u órganos específicos de maneraprecisa y eficiente. Las ROI hacen referencia a un conjunto de píxeles dentro de unaimagen que son de particular interés para su análisis. En este trabajo, se explorarontécnicas avanzadas de visión artificial y Deep Learning para la localización precisa de lasROIs en imágenes médicas bajo el estándar de Imagenología Digital y Comunicacionesen Medicina (DICOM). Para ello, se analizaron diferentes arquitecturas de redesneuronales y métodos de preprocesamiento de imágenes, con el fin de obtenerresultados robustos y confiables. A su vez, se evaluó el desempeño de los modelospropuestos utilizando métricas de precisión, sensibilidad y especificidad, comparándoloscon métodos tradicionales de localización manual. En particular, se estudió elcomportamiento de redes neuronales convolucionales (CNN) a problemas de detección,clasificación y segmentación, utilizando para ello dos arquitecturas populares dentro delámbito de las Redes Neuronales Artificiales: YOLO y U-Net, con el objetivo de conseguirresultados suficientemente precisos para su uso. Estas redes fueron entrenadas conconjuntos de datos extraídos de fuentes públicas para tal fin. Específicamente, seutilizaron dos conjuntos de imágenes diferentes, ambos con imágenes radiográficas de lazona torácica, haciendo foco en el estudio de los pulmones. Por un lado, se analizó lasegmentación de pulmones para la tarea de identificar y segmentar la región pulmonaren imágenes médicas de rayos X. Y por otro lado, se analizó la detección y clasificaciónde neumonía en pulmones. Los resultados obtenidos muestran un excelente desempeñoen la tarea de segmentación de pulmones y una precisión satisfactoria en la clasificaciónde neumonía. Estos resultados alentadores abren nuevas oportunidades para futurasinvestigaciones y aplicaciones en el campo de la medicina y el procesamientoautomatizado de imágenes médicas.