Un centro clínico de los NIH libera el conjunto de datos de imágenes de tomografía computarizada
Por el equipo editorial de MedImaging en español Actualizado el 06 Sep 2018 |
Imagen: Inclusión de una lesión visualizada en el conjunto de prueba DeepLesion (Fotografía cortesía de los NIH).
DeepLesion, un conjunto de datos a gran escala de imágenes de TC compiladas por el Centro Clínico de los Institutos Nacionales de Salud de los EUA (NIH, Bethesda, MD, EUA), se ha puesto a disposición del público para ayudar a la comunidad científica a mejorar la exactitud para la detección de lesiones. DeepLesion incluye un conjunto de datos con 32.735 lesiones en 32.120 cortes de TC de 10.594 estudios de 4.427 pacientes, únicos, anónimos, cuyas imágenes de TC se enviaron a los radiólogos en el Centro Clínico de los NIH para su interpretación.
Los radiólogos de los NIH midieron y marcaron los hallazgos clínicamente significativos con la ayuda de una herramienta de marcador electrónico compleja que proporciona flechas, líneas, diámetros y texto que pueden indicar la ubicación exacta y el tamaño de una lesión para que los expertos puedan identificar el crecimiento o una nueva enfermedad. Los marcadores, incluida una gama de datos médicos retrospectivos, se usaron para desarrollar el conjunto de datos DeepLesion. A diferencia de la mayoría de los conjuntos de datos de imágenes médicas de lesiones actualmente disponibles, que solo pueden detectar un tipo de lesión, la base de datos contiene todos los hallazgos radiológicos críticos, como nódulos pulmonares, tumores hepáticos, ganglios linfáticos agrandados, etc.
El conjunto de datos publicado es lo suficientemente grande como para formar una red neuronal profunda, que podría permitir a la comunidad científica crear un detector de lesiones universales a gran escala con un marco unificado, que eventualmente podría servir como una herramienta de detección inicial para otros sistemas especializados entrenados en ciertos tipos de lesiones. Además, DeepLesion marca múltiples hallazgos en una imagen de tomografía computarizada, lo que permite a los investigadores analizar su relación para hacer nuevos descubrimientos, permitiendo la evaluación de la carga tumoral en todo el cuerpo. DeepLesion se introdujo en un estudio publicado el 20 de julio de 2018 en la revista Journal of Medical Imaging.
“Se han recopilado grandes cantidades de anotaciones clínicas y se han almacenado en los sistemas de archivo y comunicación de imágenes de los hospitales. Estos tipos de anotaciones, también conocidos como marcadores, generalmente son marcados por radiólogos durante su flujo de trabajo diario para resaltar hallazgos significativos de la imagen que pueden servir como referencia para estudios posteriores”, dijeron el autor principal, Ronald Summers, MD, PhD, y sus colegas. “Proponemos extraer y cosechar estos abundantes datos médicos retrospectivos para construir un conjunto de datos de imágenes de lesiones a gran escala”.
“En el futuro, el Centro Clínico de los NIH espera seguir mejorando el conjunto de datos DeepLesion mediante la recopilación de más datos, mejorando así su exactitud de detección”, afirmó el NIH en un comunicado de prensa. “La capacidad de detección universal de lesiones se volverá más confiable una vez que los investigadores puedan aprovechar la información en 3D y del tipo de lesiones. Es posible ampliar aún más DeepLesion a otras modalidades de imagenología como la resonancia magnética y, además, combinar datos de varios hospitales”.
Enlace relacionado:
Centro Clínico de los Institutos Nacionales de Salud de los EUA
Los radiólogos de los NIH midieron y marcaron los hallazgos clínicamente significativos con la ayuda de una herramienta de marcador electrónico compleja que proporciona flechas, líneas, diámetros y texto que pueden indicar la ubicación exacta y el tamaño de una lesión para que los expertos puedan identificar el crecimiento o una nueva enfermedad. Los marcadores, incluida una gama de datos médicos retrospectivos, se usaron para desarrollar el conjunto de datos DeepLesion. A diferencia de la mayoría de los conjuntos de datos de imágenes médicas de lesiones actualmente disponibles, que solo pueden detectar un tipo de lesión, la base de datos contiene todos los hallazgos radiológicos críticos, como nódulos pulmonares, tumores hepáticos, ganglios linfáticos agrandados, etc.
El conjunto de datos publicado es lo suficientemente grande como para formar una red neuronal profunda, que podría permitir a la comunidad científica crear un detector de lesiones universales a gran escala con un marco unificado, que eventualmente podría servir como una herramienta de detección inicial para otros sistemas especializados entrenados en ciertos tipos de lesiones. Además, DeepLesion marca múltiples hallazgos en una imagen de tomografía computarizada, lo que permite a los investigadores analizar su relación para hacer nuevos descubrimientos, permitiendo la evaluación de la carga tumoral en todo el cuerpo. DeepLesion se introdujo en un estudio publicado el 20 de julio de 2018 en la revista Journal of Medical Imaging.
“Se han recopilado grandes cantidades de anotaciones clínicas y se han almacenado en los sistemas de archivo y comunicación de imágenes de los hospitales. Estos tipos de anotaciones, también conocidos como marcadores, generalmente son marcados por radiólogos durante su flujo de trabajo diario para resaltar hallazgos significativos de la imagen que pueden servir como referencia para estudios posteriores”, dijeron el autor principal, Ronald Summers, MD, PhD, y sus colegas. “Proponemos extraer y cosechar estos abundantes datos médicos retrospectivos para construir un conjunto de datos de imágenes de lesiones a gran escala”.
“En el futuro, el Centro Clínico de los NIH espera seguir mejorando el conjunto de datos DeepLesion mediante la recopilación de más datos, mejorando así su exactitud de detección”, afirmó el NIH en un comunicado de prensa. “La capacidad de detección universal de lesiones se volverá más confiable una vez que los investigadores puedan aprovechar la información en 3D y del tipo de lesiones. Es posible ampliar aún más DeepLesion a otras modalidades de imagenología como la resonancia magnética y, además, combinar datos de varios hospitales”.
Enlace relacionado:
Centro Clínico de los Institutos Nacionales de Salud de los EUA
Últimas Imaginología General noticias
- Aplicación RA convierte escaneos médicos en hologramas para ayudar en planificación quirúrgica
- Tecnología de imágenes proporciona nuevo enfoque innovador para diagnosticar y tratar cáncer de intestino
- Puntuación de calcio coronario por TC predice ataques cardíacos y accidentes cerebrovasculares
- Modelo de IA detecta 90 % de casos de cáncer linfático a partir de imágenes de PET y TC
- El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas
- Tecnología innovadora revoluciona imágenes mamarias
- Sistema de última generación mejora la precisión de procedimientos intervencionistas y diagnóstico guiados por imágenes
- Dispositivo basado en catéter con nuevo enfoque de imágenes cardiovasculares ofrece visión sin precedentes de placas peligrosas
- Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas
- Sistema de TC habilitado por IA proporciona resultados de imágenes más precisos y confiables
- Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular
- Software de planificación quirúrgica preoperatoria de RA hace que la cirugía sea más segura y eficiente
- Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas
- Nuevos materiales imprimibles en 3D para cirugía reconstructiva se pueden monitorear mediante rayos X o TC
- TC con conteo de fotones mejora evaluación de enfermedad arterial coronaria
- Nuevo radiotrazador ilumina exploración PET para detección más temprana de enfermedades