computer aided detection and diagnosis in medical imaging: a review of clinical and educational...
TRANSCRIPT
Computer Aided Detection and Diagnosis in Medical Imaging: a review of clinical
and educational applications
Jorge Hernández RodríguezPrograma de Doctorado de Formación en la Sociedad del Conocimiento
Hernández Rodríguez, Jorge; Cabrero Fraile, Francisco Javier, Rodríguez Conde, María José; Gómez Llorente, Pablo Luis
Track 8: Latest Technology Trends in Health Sciences Education
2
ÍNDICE● Detección y Diagnóstico Asistidos por Ordenador
▪ Introducción▪ Tipos de sistemas CAD
● Redes Neuronales Artificiales▪ Definición y arquitecturas▪ Deep Learning y redes neuronales de convolución
● Ventajas y limitaciones de los sistemas CAD● Bases de datos de imágenes médicas● Aplicaciones clínicas del CAD
▪ Tomografía computarizada▪ Mamografía
● Aplicaciones educativas del CAD en medicina
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
3
DETECCIÓN Y DIAGNÓSTICO ASISTIDOS POR ORDENADOR
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
CADProcedimiento informático que asiste al
especialista médico o radiólogo en la interpretación de imágenes radiológicas
Salida del software: “Segunda opinión”
CADe y CADx
Algoritmos de “Machine Learning”
Análisis y clasificación de
imágenes médicasDetección y clasificación de nódulos en TC y radiografías de tórax, masas y microcalcificaciones
en mamografías, pólipos en colonografías TC, detección de aneurismas en RMN cerebral, segmentación de estructuras, detección de metástasis óseas…
Ejemplos: Análisis discriminante lineal y cuadrático, máquinas de vectores de soporte, random forests, redes neuronales artificiales (perceptrón multicapa y basadas en píxeles)
PML Neural filters, CNNs, MTANNs, SINNs, Deep Learning…
4
DETECCIÓN Y DIAGNÓSTICO ASISTIDOS POR ORDENADOR
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Clasificación del CADCADe
Extracción de características
Clasificación de candidatos en base a características
Aplicación de métodos de reducción de falsos positivos
Resultado final: lesiones detectadas y sus características
Segmentación del órgano estudiado
Preprocesado: realce de lesiones
Detección de candidatos a lesión
Segmentación de los candidatos detectados
CADx
Inicio: detección manual o automática de lesiones (CADe previo)
Extracción de características y análisis de lesiones(Ej. Sistema PML)
Clasificación de lesiones basada en características extraídas.
Resultado final: Diagnóstico de las lesiones examinadas. Tipo de lesión (benigna o maligna), tipo de tejido
(diferentes clases), grado de malignidad. Suelen incluir una
probabilidad asociada.
5
REDES NEURONALES ARTIFICIALES (I)
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Modelos computacionales inspirados en sistemas biológicos
Unidades funcionales: neuronas Disposición de las neuronas en capas con unidades interconectadas
Ejemplo de arquitectura de una red neuronal
Funciones de activación
6
REDES NEURONALES ARTIFICIALES (II)
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Aprendizaje: adaptación de los valores de los parámetros de la red según un conjunto de reglas
Tipos de aprendizaje
Supervisado
No supervisado
Corrección de pesos basada en desviaciones del output de la red y los valores esperados
El output es desconocido. La red se reorganiza y actualiza decidiendo el mejor
resultado (aprendizaje competitivo)
¡Capacidad de generalización!
7
REDES NEURONALES ARTIFICIALES (III)
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Algoritmo estándar → Stochastic gradient descent (SGD) combinado con retropropagación
OBJETIVO: Evitar overfittingRegularización
Dropout Early stopping
Variaciones de SGD
8
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
REDES NEURONALES ARTIFICIALES (IV): CNNs
Ejemplo de arquitectura CNN
Capa de convolución
Capa de pooling
Gran potencial como método de asistencia al radiólogo
Reducción de la variabilidad y del número de errores en la interpretación de casos
Proporcionan acceso a aspectos “ocultos” de las imágenes (visión artificial)
Capaces de procesar enormes cantidades de datos
Evitan errores derivados del cálculo a partir de estructuras previamente segmentadas
Disponibilidad de grandes bases de datos de imágenes validadas y anotadas en ciertos casos
Sobreajuste o overfitting: pérdida de capacidad de generalización. Existen técnicas para evitarlo
Número de falsos positivos detectados
9
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
VENTAJAS Y LIMITACIONES DE LOS SISTEMAS CAD
10
BASES DE DATOS DE IMÁGENES MÉDICAS
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
APLICACIONES CLÍNICAS DEL CAD (I): TC DE TÓRAX
Suzuki (2005) Academic Radiology
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Shen et al. (2015). Information processing in medical imaging
CNNs multi escalaExactitud de clasificación del 86,4%
en la base de datos LIDC-IDRI.
MTANNs
CLASIFICACIÓN DE NÓDULOS
DETECCIÓN DE NÓDULOS BASADA EN SUSTRACCIÓN TEMPORAL DE IMÁGENES
Cheng et al.(2016) Scientific reports- Nature
Tokisa (2012) Int. Journal of Fuzzy logic and Intelligent Systems
He (2014) Physics in Medicine and Biology
CLASIFICACIÓN DE NÓDULOS Y LESIONES EN ULTRASONIDOS
Mejores resultados: clasificador SDAE
DISTINCIÓN ENTRE NÓDULOS Y VASOS SANGUÍNEOS
CARACTERIZACIÓN DE NÓDULOS SEGÚN SU GRADO DE SUTILEZA
ANNs
Deep Learning
Buena concordancia con la clasificación de los expertos.
Entrenamiento de este tipo de sistemas con pocos casos
Sensibilidad del sistema del 87,1%Sustracción temporal
APLICACIONES CLÍNICAS DEL CAD (II): CAD en diversas localizaciones
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Roth et.al. (2016). IEEE Transactions on Medical Imaging
Redes Neuronales de Convolución
● Sistema CADe jerárquico de dos niveles● Nuevo método: descomposición de imagen 2,5D● Amplio rango de aplicaciones:
Metástasis en columna vertebral escleróticaNódulos linfáticos torácico abdominalesPólipos en el colon
● Diferentes algoritmos de generación de candidatos● Sistemas de reducción de falsos positivos Detección de metástasis óseas Detección de nódulos linfáticos
Influencia del número de vistas aleatorias en el funcionamiento
Funcionamiento de los diferentes sistemas sobre los conjuntos de entrenamiento y validación. Detección de nódulos linfáticos.
13
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
APLICACIONES CLÍNICAS DEL CAD (III): COLONOGRAFÍA TC
● Modalidad de screening: detección y clasificación de pólipos precursores del cáncer colorrectal
● CADe : mejora en la detección de pólipos, reduce variabilidad interobservador y tiempo de interpretación de imágenes● Desventaja principal: elevado número de falsos positivos
Trilisky et al. (2014) Radiographics
Pólipo sospechoso
Ejemplos de diversos tipos de falsos positivos detectados por CAD
▪ Necesidad de entrenamiento para identificar falsos positivos▪ Tasas de detección similares a las de la colonoscopia óptica
14
APLICACIONES CLÍNICAS DEL CAD (IV): COLONOGRAFÍA TC
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Devi. et al. (2015) Computational and Mathematical Methods in Medicine
Segmentación del colon: fundamental en sistemas CAD
Segm
enta
ción
m
anua
l
Segmentación
automática
Suzuki et al. (2008) Medical Physics
Reducir el número de falsos positivos sin perder sensibilidad
Mezcla de redes de tipo 3D MTANN: especializadas en la distinción entre pólipos y un tipo de falso positivo
APLICACIONES CLÍNICAS DEL CAD (V): MAMOGRAFÍAArévalo et. Al (2015)
Computer Methods and Programs in Biomedicine
Detección y clasificación de masas en mamografías basado en métodos de Deep Learning
Importancia de las técnicas de preprocesado
Técnicas de normalización de contraste global y local
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
COMPARACIÓN CON OTROS MÉTODOS
Mejores resultados (área bajo la curva ROC): red CNN3
Arquitectura de tipo CNN que proporciona los mejores resultados en la clasificación de masas
16
APLICACIONES CLÍNICAS DEL CAD (VI): MAMOGRAFÍA
Dubrovina et al. (2016). Computer Methods in Biomechanical and
Biomedical Engineering.
Clasificación automática de tejidos en la mama. Método basado en CNN
▪ Tipos de tejido: músculo pectoral, tejido fibroglandular, tejido general (adiposo y piel) y zona areolar
SEGMENTACIÓN MANUAL (dos ejemplos) SEGMENTACIÓN AUTOMÁTICA
▪ Método rápido▪ Necesidad de postprocesado▪ Buenos resultados en la segmentación
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
17
APLICACIONES CLÍNICAS DEL CAD (VII): MAMOGRAFÍA
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Agarwal et al. (2015) . Cs231n Stanford Reports
Clasificación de lesiones en mamografías: dos
tipos de sistemas.
Redes Neuronales de Convolución
Masas. vs. Microcalcificaciones Lesiones Benignas. vs. Malignas
Exactitud máxima alcanzada del 86%
Mejor exactitud de validación en el set
de prueba de 69,8 %
Importancia del tamaño de la muestra de entrenamiento
Problema más complicado: establecer el
grado de malignidad (variedad en las lesiones)
18
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (I)
Mazurowski et al. (2010) Medical Physics.
Patrones propios e identificables en la interpretación de mamografías y a la hora
de cometer errores según el radiólogo .
Modelos de usuario para 10 radiólogos en formación
Métodos: k-vecinos cercanos, redes neuronales y
regresión múltiple
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Modalidad: mamografíaDetección de masas
El modelo desarrollado predice el nivel de dificultad de un determinado
caso para un usuario concreto
Sistemas de formación en medicina individualizados (asistidos por ordenador): mejora de la eficiencia en el
aprendizaje y de la capacidad diagnóstica de los residentes
19
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (II)
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Zhang et al. (2015) Journal of Biomedical Informatics
Desarrollo de un modelo informático capaz de predecir las localizaciones donde es más probable detectar un falso positivo
Predicción individualizada
Modalidad: MamografíaResidentes en radiología
PROCESO1.- Detección de zonas sospechosas CADe2.- Extracción de características3.- Clasificador entrenado con anotaciones previas de los residentes. Predice localizaciones de falsos positivos
Permite focalizar esfuerzos en la formación y mejorar el
proceso de aprendizaje
20
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (III)
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Zhang et al. (2014) Medical Physics
● Anterior trabajo: predicción basada en anotaciones realizadas por humanos.● Este trabajo: extracción de rasgos mediante algoritmos de visión artificial para predecir la localización de los errores.
Existen patrones a la hora de cometer errores Se pueden predecir casos más propensos a error
Ping et al. (2005) Academic Radiology
● Influencia del CAD en el aprendizaje.● Formación basada en un programa cognitivo-perceptual, focalización de la atención, conocimiento basado en procedimientos.● Análisis de las interacciones CAD - usuario.● Programa de lectura de mamografías asistido por CAD.
● Hipótesis: hay diferencias en la interpretación de imágenes si se ha seguido un programa de formación basado en CAD.
Efectos positivos derivados del uso del CAD (tests pre-
y post-entrenamiento)
21
Track 8: Computer Aided Detection and Diagnosis in medical imaging: a review of clinical and educational applications
Welter et al. (2011) BMC Medical informatics & Decision making
APLICACIONES EDUCATIVAS DEL CAD EN MEDICINA (IV)
● Integración en el entorno de trabajo clínico (nuevos casos almacenados a diario)● CBR: case-based reasoning● CBIR: content-based image retrieval (de especial utilidad para el CAD) ● Recuperación de contenidos del PACS (acceso a repositorios de imágenes)● Adquisición de contenidos científicos y habilidades profesionales
IBCR-RE: image-based case retrieval for radiological education
Sistema de aprendizaje en radiodiagnóstico para la formación de futuros especialistas
22
¡Muchas gracias por vuestra atención!