Estudio y desarrollo de transfer learning aplicado a la segmentación automática de estructuras morfológicas para el apoyo, el análisis y el diagnóstico médico

Abstract

[ES] En el campo de la Imagen Médica, la segmentación morfológica es una fase muy importante dentro del tratamiento, análisis y diagnóstico requerido en diversas aplicaciones clínicas. En la actualidad, es usual encontrar que, en la mayoría de los centros dedicados a este tipo de tarea, la segmentación es llevada a cabo manualmente por un experto, lo cual se traduce en una gran inversión de tiempo que podría ser invertido en otras fases de mayor relevancia en el estudio de la enfermedad, como puede ser la de análisis y diagnóstico de los resultados, además dicha segmentación manual ésta expuesta a factores de error humano.

La creación de modelos de segmentación automática mediante el uso redes neuronales convolucionales (CNN) requiere por lo general gran cantidad de muestras (imágenes ya segmentadas) y recursos computacionales. Actualmente el paradigma de ¿transfer learning¿ está siendo aplicado en el campo de la inteligencia artificial con el fin de reducir tanto la cantidad de datos necesaria como los recursos computacionales para la creación de nuevos modelos, a partir de modelos ya pre existentes que fueron creados con finalidades diferentes aunque con cierto grado de similitud.

Es por ello, que se plantea el desarrollo de nuevas metodologías de segmentación a partir de imágenes de Resonancia Magnética, completamente automatizada, aplicando el paradigma de ¿transfer learning¿ sobre métodos de inteligencia artificial basados en técnicas de aprendizaje profundo (Deep learning) que permita generar y almacenar datos de carácter masivo (Big Data) en los pacientes, con el fin de mejorar en el diagnóstico mediante imagen médica.

[EN] In the field of Medical Imaging, morphological segmentation is a very important phase in the treatment, analysis and diagnosis required in various clinical applications. At present, it is usual to find that, in most of the centers dedicated to this type of task, the segmentation is carried out manually by an expert, which translates into a large investment of time that could be invested in other phases of greater relevance in the study of the disease, such as the analysis and diagnosis of the results, in addition to this manual segmentation is exposed to human error factors.

The creation of automatic segmentation models using convolutional neural networks (CNN) generally requires a large number of samples (already segmented images) and computational resources. Currently, the "transfer learning" paradigm is being applied in the field of artificial intelligence in order to reduce both the amount of data required and the computational resources for the creation of new models, based on pre-existing models that were created for different purposes although with a certain degree of similarity.

Therefore, the development of new segmentation methodologies from Magnetic Resonance images is proposed, completely automated, applying the paradigm of "transfer learning" on artificial intelligence methods based on deep learning techniques (Deep learning) to generate and store massive data (Big Data) in patients, in order to improve diagnosis by medical imaging.

[CAT] En el camp de la Imatge Mèdica, la segmentació morfològica és una fase molt important dins del tractament, anàlisi i diagnòstic requerit en diverses aplicacions clíniques. En l'actualitat, és usual trobar que, en la majoria dels centres dedicats a este tipus de tasca, la segmentació és duta a terme manualment per un expert, la qual cosa es traduït en una gran inversió de temps que podria ser invertit en altres fases de major rellevància en l'estudi de la malaltia, com pot ser la d'anàlisi i diagnòstic dels resultats, a més la dita segmentació manual esta exposada a factors d'error humà. La creació de models de segmentació automàtica per mitjà de l'ús xarxes neuronals convolucionals (CNN) requereix generalment gran quantitat de mostres (imatges ja segmentades) i recursos computacionals. Actualment el paradigma de “transfer learning” està sent aplicat en el camp de la intel·ligència artificial a fi de reduir tant la quantitat de dades necessàries com els recursos computacionals per a la creació de nous models, a partir de models ja preexistents que van ser creats amb finalitats diferents encara que amb un cert grau de similitud. És per això, que es planteja el desenrotllament de noves metodologies de segmentació a partir d'imatges de Ressonància Magnètica, completament automatitzada, aplicant el paradigma de “transfer learning” sobre mètodes d'intel·ligència artificial basats en tècniques d'aprenentatge profund (Deep learning) que permet generar i emmagatzemar dades de caràcter massiu (Big Data) en els pacients, a fi de millorar en el diagnòstic per mitjà d'imatge mèdica.