Diseño, desarrollo e implementación de un servicio web para la anotación de imágenes de alta resolución: Integración de modelos de Deep Learning para la segmentación automática de regiones

Abstract

[CA] La societat actual està molt digitalitzada, gràcies a això s’aconsegueix generar immenses quantitats de dades que si són analitzats aporten molta informació que pot ser usada per a realitzar importants avanços en múltiples camps, un d’aquestos camps es el de la salut, prova d’això és la revolució digital en mètodes clínics com l’estudi histològic d’imatges tumors, el paradigma en el Workflow de la patologia tradicional ha fet que s’estandarditze l’ús d’imatges digitals Whole Slide Images en detriment de les mostres microscòpiques, això es deu en gran part a la quantitat de beneficis que aquest metode presenta, una d’ells e l’ús de programes que permeten la visualització de imatges a nivell de píxel amb un nivell de qualitat òptim. El grup CVBlab ofereix una eina per a la visualització de les imatges WSI que a més té funcionalitats per a anotar imatges, aquesta aplicació té l’objectiu de facilitar l’anotació als patòlegs pera generen bases de dades robustes amb les quals entrenar models de Deep Learning, el problema és que aquest sistema té dificultats per a donar un servei òptim al volum de casos que es volen avaluar i a més no estan implementades noves funcionalitats que són necessàries per ajustar-se a l’exigència de determinats projectes, una d’elles és la implementació de models de Deep Learning en la pròpia aplicació per a avaluar-los amb metodologies Crowdsourcing,en aquest context es realitzat una anàlisi minuciosa de la infraestructura i el codi per a buscar millores i sintetitzar una estratègia de banyara d’aquesta, a més s’han dissenyat i implementat noves extensions que permeten integrar models de DeepLearning i fer tasques de Crowdsourcing

[ES] La sociedad actual está muy digitalizada, gracias a esto se consigue generar inmensas cantidades de datos que si son analizados aportan mucha información que puede ser usada para realizar importantes avances en múltiples campos, uno de estos campos es él de la salud, prueba de ello es la revolución digital en métodos clínicos como el estudio histológico de imágenes tumores, el paradigma en el Workflow de la patología tradicional hahechoqueseestandariceelusodeimágenesdigitalesWholeSlide Images en detrimento de las muestras microscópicas, esto se debe en gran parte a la cantidad de beneficios que plantes, una de ellas es el uso de software que permiten la visualización de las imágenes a nivel de píxel con un nivel de calidad óptimo. El grupo CVBlab ofrece una herramientas para la visualización de las imágenes WSI que además tiene funcionalidades para anotar imágenes, esta aplicación tiene el objetivo de facilitar la anotación a los patólogos para generar bases de datos robustas con las que entrenar modelos de Deep Learning, el problema es que este sistema tiene dificultades para dar un servicio óptimo al volumen de casos que se quieren evaluar y además no están implementadas nuevas funcionalidades que son necesarias para que ajustarse a la exigencia de determinados proyectos, una de ellas es la implementación de modelos de Deep Learning en la propia aplicación para evaluarlos con metodologías Crowdsourcing, en este contexto se ha realizado un análisis minuciosodelainfraestructura yelcódigoparabuscarmejorasysintetizarunaestrategia de mojara de la misma, además se han diseñado e implementado novedosas extensiones que permiten integrar modelos de Deep Larning y realizar tareas de Crowdsourcing.

[EN] Today’s society is highly digitalized, thanks to this, it is possible to generate immense amounts of data which, if analyzed, provide a great deal of information that can be used to make significant advances in many fields, one of these fields is health, proof of which is the digital revolution in clinical methods such as the histological study tumor images, the paradigm in the workflow of traditional pathology has led to the standardization of the use of digital images to the detriment of microscopic samples, this is mainly due to the number of benefits that they offer, one of which is the use of software that allows the visualization of images at pixel level with an optimum level of quality. The CVBlab group provides tools for the visualization of WSI images that also has functionalities for anotatinging images. This application aims to facilitate annotation for pathologists in order to generate robust databases with which to train Deep Learning models, The problem is that this system has difficulties to provide an optimal service to the volume of cases to be evaluated and also new functionalities that are necessary to meet the requirements of certain projects are not implemented, one of them is the implementation of Deep Learningmodelss in the application itself to evaluate them with Crowdsourcing methodologies. In this context, a thorough analysis of the infrastructure and code has been carried out in order to search for improvements and synthesize a strategy for its wetting, in addition, novel extensions have been designed and implemented to integrate models of crowdsourcing and crowdsourcing tasks.