Deep Learning para el análisis de imágenes musculoesqueléticas

Introducción

Las imágenes musculoesqueléticas son utilizadas para el reconocimiento de enfermedades asociadas con los huesos y tejidos blandos. Para su obtención se suelen emplear procedimientos de imagen como la tomografía computarizada, la resonancia magnética (siendo la de preferencia) y la ecografía. Con ello se pueden visualizar distintas zonas del cuerpo como la rodilla, los hombros y la cadera, y tejidos como hueso y músculo.

La implementación del Machine Learning, concretamente los sistemas de Deep Learning, han demostrado ser de utilidad por su habilidad de adquirir representaciones de los datos sin recurrir a una identificación manual de las características.

Los planteamientos de predicción a través del Deep Learning podrían contribuir a la solución de problemas actuales en la radiología musculoesquelética. Además, se puede mejorar su rendimiento al ajustarlos a áreas de aplicaciones específicas. En esta investigación se trata el mejoramiento de utilidades clínicas para el diagnóstico de problemas en la rodilla y rendimientos de clasificación. Para ello se habla de modelos que clasifican tres de los problemas más comunes en la rodilla: desgarros de LCA, de menisco y anomalías generales.  

Métodos

Para clasificar los tres problemas partiendo de una resonancia magnética de rodilla, se hizo uso de diferentes sistemas de Deep Learning en función de redes neuronales convolucionales. En el sistema de propuesta se aplicó el enfoque de aprendizaje de transferencia con modelos previamente entrenados con ImageNet.

Para el preprocesamiento se emplearon los cortes sagital, coronal y axial, extraídos de imágenes DICOM, como entrada. A continuación, se normalizaron con la técnica del histograma de normalización. Para la clasificación de los problemas en la rodilla se usaron tres arquitecturas entrenadas con nueve modelos CNN: AlexNet, ResNet18 y GoogleNet.

Experimentos y resultados

Se empleó un conjunto de datos con 1,370 exámenes de resonancia magnética. En el experimento se  usaron 1130 para entrenar y 120 para prueba. En la fase de optimización, se usó el optimizador Adam. Para el análisis del experimento se consideraron el área bajo la curva, precisión, sensibilidad y especificidad.

En las tres fases se alcanzó un rendimiento importante. El promedio AUC fue de 0,8787 para AlexNet, 0,8579 para ResNet18 y 0,8596 para GoogLeNet. En cuanto a precisión AlexNet tuvo la mayor, con un 85,83%. Los resultados generales mostraron que ResNet18 supera a AlexNet y GoogLeNet en la mayoría de los criterios de rendimiento a excepción de especificidad. Con respecto a las imágenes de resonancia magnética, se determinó que el rendimiento es mejor cuando se utilizan imágenes de varias vistas. Finalmente, con los resultados globales obtenidos, se demostró que el desgarro de menisco es la fase de mayor complejidad, con un rendimiento más bajo en lo que respecta a la sensibilidad.

Conclusiones

Se concluye que la optimización de un hardware de escaneo ha conducido a la generación de imágenes radiológicas que brindan una gran cantidad de detalles clínicos. Esto favorece el diagnóstico, pero incrementa los exámenes a analizar. Por ello, se propone el uso de métodos automatizados que proporcionen complementos y facilitar el trabajo radiológico. Los resultados de esta investigación sugieren que los sistemas de Deep Learning pueden solucionar problemas complejos en la radiología musculoesquelética.

Traducido y adaptado de: I. Irmakci, S. M. Anwar, D. A. Torigian and U. Bagci, «Deep Learning for Musculoskeletal Image Analysis,» 2019 53rd Asilomar Conference on Signals, Systems, and Computers, 2019, pp. 1481-1485, doi: 10.1109/IEEECONF44664.2019.9048671.