computer aided detection and diagnosis in medical imaging: a review of clinical and educational...

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


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


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)


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)


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)


Algoritmo estándar → Stochastic gradient descent (SGD) combinado con retropropagación

OBJETIVO: Evitar overfittingRegularización

Dropout Early stopping

Variaciones de SGD

8


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


VENTAJAS Y LIMITACIONES DE LOS SISTEMAS CAD

10

BASES DE DATOS DE IMÁGENES MÉDICAS


APLICACIONES CLÍNICAS DEL CAD (I): TC DE TÓRAX

Suzuki (2005) Academic Radiology


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


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


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


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


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


17

APLICACIONES CLÍNICAS DEL CAD (VII): MAMOGRAFÍA


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


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)


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)


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


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!