Análisis del procesamiento de imágenes de redes neuronales convolucionales para asistencia radiológica
En la radiología se han obtenido imágenes médicas a través de estudios como las imágenes de resonancias magnéticas (IRM) y las tomografías computarizadas (TC). El IRM es de mayor utilidad ya que tiene un superior beneficio de análisis visual y una gran versatilidad en el sitio de análisis asistido por computadora de imágenes médicas. De igual manera, ambas técnicas pueden ser mejoradas mediante la implementación de la inteligencia artificial (IA). Esto debido a que llegan a crear una segmentación de imágenes en casos clínicos. Este proceso se logra separar en dos etapas; siendo la primera el reconocimiento de tejido dañino y, por segundo, la delimitación entre diversas construcciones fisiológicas. Las IAs más utilizadas en esta área serían las redes neuronales artificiales, donde las redes neuronales convolucionales son de las favoritas de los programadores.
Redes neuronales convolucionales
Las redes neuronales convolucionales son un tipo de red neuronal artificial en la cual las neuronas creadas corresponden a campos receptivos similares a las neuronas en la corteza visual primaria de un cerebro humano. Tiene gran utilidad debido a que realizan sus aplicaciones a través de matrices bidimensionales. Ello provoca que sean efectivas para tareas de visión artificial, como es el caso de la segmentación de imágenes. Este tipo de red logra descubrir características o patrones no visibles para los profesionales mediante la información, optimizando el trabajo de clasificación de los estudios. Igualmente, el rendimiento de estas redes ha mejorado por medio de los desarrollos de sistemas de procesamiento contemporáneos. Por ende, se reduce tanto el tiempo de entrenamiento necesario como los precios de incorporación a los equipos médicos.
Área de crecimiento
El uso de estas formas de inteligencia artificial junto al análisis de imágenes médicas mediante conocimientos ayuda considerablemente al análisis temprano de los resultados médicos. Dicho proceso puede potenciarse al crear bases de datos utilizables para los tipos de IA que existen y que se lleguen a programar en un futuro.
No obstante, algoritmos como este tipo de redes basados en el aprendizaje automático, necesitan dominios de experiencia particular. Esto conlleva a requerir intentos de segmentación y eliminación previos a su implementación final en el campo médico. Si se llegaran a utilizar estos algoritmos sin asegurarse de su respectiva efectividad con respecto a su desempeño general del programa, podría llegar a causar errores en precisión y confiabilidad que afecten el análisis y diagnóstico de los estudios hechos en los pacientes.
Traducido y adaptado de: Khadke, M. K. S. (2021). EMPIRICAL ANALYSIS OF CNN IMAGE PROCESSING FOR RADIOLOGICAL ASSISTANCE.
