El papel de los PACS en el rediseño de la práctica radiológica

Introducción

Con los progresos de la inteligencia artificial y el Deep Learning, ha sido posible mejorar la calidad de las imágenes, crear una buena clasificación de estas y ubicar y segmentar objetos. No obstante, uno de los límites presentados se da en el entrenamiento del algoritmo, que requiere de una cantidad grande de muestras de información. En el área médica, este problema se destaca por la falta de datos clínicos. Para optimizar los datos disponibles, se sugiere el uso de múltiples proyecciones de imágenes que puedan ser separadas de forma individual, para brindar una vista específica.

En el presente estudio se diseñó un algoritmo de segmentación de imágenes (ISA), controlado de forma manual. Los métodos estándar en los que se basa son la manipulación de imágenes (como funciones morfológicas y de binarización), y el algoritmo YOLOv4, que detecta objetos.

Materiales y métodos

Se utilizaron 4,500 imágenes en escala de grises de 8 bits, compuestos desde una hasta cuatro radiografías. Asimismo, se llevó a cabo un enfoque de tipo doble ciego para etiquetar, quedando tres subconjuntos de imágenes: de entrenamiento, validación y prueba.

Se usó un umbral encargado de generar una imagen binaria para separar el objeto en primer plano del fondo. Su cálculo se basó únicamente en las intensidades de los píxeles. El algortimo evalúa el valor del umbral y determina si el proceso de búsqueda de contornos lo hace de forma normal sin invertir los colores.

YOLOv4

Es un algoritmo que detecta objetos con una buena precisión y alta velocidad. Específicamente, es capaz de detectar una sola etapa, en donde se calcula la ubicación y clasificación de objetos de manera simultánea. Gracias a esta función, puede emplearse para detectar en tiempo real.

Para realizar la comparación del rendimiento de los dos algoritmos presentados, se calcularon cuatro métricas objetivas. Entre ellas están la cantidad de predicciones verdaderas positivas (TP), las verdaderas negativas (TN), falsas positivas (FP) y falsas negativas (FN).

Resultados y discusión

Con los datos obtenidos de la comparación de algoritmos, se puede determinar que el YOLOv4 tiene un mejor rendimiento. Los resultados del subconjunto de validación y prueba, muestran similitudes entre sí, indicando que ambos algoritmos están adecuadamente entrenados.

El modelo YOLOv4 tuvo una exactitud 99,2%, un recuento del 100%, una precisión de 99,2% y calificación de F1 del 99,6% de prueba. El ISA obtuvo una exactitud del 88%, recuento del 92,83%, precisión del 94,42% y calificación de F1 del 93,62%. Con esto se puede decir que el YOLOv4 tiene un rendimiento superior al ISA, sin embargo, esto genera un consumo de memoria más grande. Por otro lado, el ISA es completamente explicable, lo que quiere decir que se puede seguir cada paso que hace y comprenderlo cuando produce errores. El YOLOv4, se considera como una caja negra, lo que lo hace complejo de entender cuando se produce un error.

Conclusión

Conociendo las diferencias de ambos algoritmos, se concluye que la selección del método depende de las limitaciones del hardware del ordenador que lo ejecutará, así como la relevancia de su precisión. Si el ordenador no tiene una buena potencia o no requiere de una precisión alta, pero necesita conocer la cantidad de estudios en una radiografía, se recomienda el uso del ISA. De lo contrario, se sugiere el uso del YOLOv4.

Traducido y adaptado de: S. Dumenčić, S. Tschauner, F. Hržić and I. Štajduhar, «Automatic extraction of multiple-study X-ray images,» 2021 International Conference on INnovations in Intelligent SysTems and Applications (INISTA), 2021, pp. 1-6, doi: 10.1109/INISTA52262.2021.9548551