Detección de enfermedades a partir de la radiología

Método de clustering

En la actualidad los reportes de radiología han aumentado considerablemente lo que ha establecido la necesidad de categorizarlos. Para ello, se creó el método de clustering que tiene la capacidad de segmentar los reportes y reducirlos. Esto es importante ya que a partir de patrones lógicos y semánticos, se pueden generar secuencias que detecten propiedades o criterios fundamentales de una imagen.

Imagen clínica

Es un sistema empleado para elaborar imágenes de la estructura del cuerpo humano para hacer evaluaciones clínicas, detecciones y tratamientos. Para la adquisición de imágenes clínicas, se suelen usar generalmente equipos de rayos X, escáner de imagen por resonancia magnética, tomografías computarizadas e imágenes de ultrasonido.

Identificación automática y económica de las imágenes

La combinación de la tecnología con la ciencia es eficaz para el procesamiento de imágenes clínicas, especialmente para los análisis médicos y las segmentaciones. Por ende, debe existir un procesamiento previo de la imagen, una segregación, obtención de sus propiedades y una categorización por medio de SVM (Support Vector Machines). Esto, para lograr una mejor precisión en los reportes radiológicos al mantener la calidad de la imagen después de su procesamiento.

Técnicas de clasificación

Existen varias técnicas de clasificación, sin embargo cada una tiene sus desventajas. Por ejemplo, el K-Nearest Neighbor suele usar cada propiedad en un concentrado computacional, en su mayoría cuando el grupo de dimensiones de formación aumenta. Su exactitud se puede ver afectada por la existencia de ruido o la falta de relación entre las propiedades.

Otra técnica es la Red Neuronal Probabilística (PNN por sus siglas en inglés), presenta mayor lentitud que un modelo perceptrón con diversas capas de redes para clasificar casos nuevos. Además, requiere de un espacio suplementario de memoria para evitar la acumulación.

Una Red Neuronal Artificial llega a contar con una mejor clasificación de imágenes en base a sus propiedades de dimensionalidades elevadas. No obstante, su precio puede ser considerable y su memoria física presenta una desventaja.

Finalmente, la SVM ha resultado ser la más viable por sus dos fases. La primera, la fase de formación, permite otorgar la información de formación para el plan de clasificación. La segunda es la fase de prueba, en donde se arroja la información no identificada. En este caso, su entrenamiento puede influir en su exactitud de clasificación.

Traducido y adaptado de: S. V. Khedikar and U. Yadav, «Detection of disease from radiology,» 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), 2017, pp. 1-4, doi: 10.1109/ICIIECS.2017.8276174