Entrenamiento en elasticidad ayuda a la IA a diagnosticar el cáncer de mama
Por el equipo editorial de MedImaging en español Actualizado el 31 Jul 2019 |
Según un estudio nuevo, se pueden usar algoritmos de inteligencia artificial (IA) para identificar la heterogeneidad elástica de ultrasonido de un tumor, con el fin de diferenciar los tumores benignos de sus contrapartes malignas.
Investigadores de la Universidad del Sur de California (USC; Los Ángeles, EUA), del Instituto Politécnico Rensselaer (RPI; Troy, Nueva York, EUA) y de otras instituciones, crearon modelos basados en la física que simulaban los niveles variables de las dos propiedades clave de ultrasonido de un tumor de mama canceroso: heterogeneidad elástica y respuesta elástica no lineal. Luego utilizaron miles de entradas de datos derivadas de los modelos para entrenar una red neuronal convolucional (RNC) profunda para clasificar los tumores como malignos o benignos.
Se entrenó una RNC de 5 capas con 8.000 muestras para heterogeneidad, y una RNC de 4 capas con 4.000 muestras para la elasticidad no lineal. Cuando se consultó sobre imágenes sintéticas adicionales, las RNC lograron exactitudes de clasificación de 99,7% a 99,9%. Luego, los investigadores aplicaron el clasificador de elasticidad no lineal, que se entrenó completamente utilizando datos simulados, para clasificar las imágenes de desplazamiento obtenidas de diez pacientes con lesiones mamarias; la RNC clasificó correctamente ocho de cada diez casos.
“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de imágenes sobre los que tendrán más impacto”, dijo el autor principal, el profesor, Assad Oberai, PhD, del departamento de ingeniería mecánica y aeroespacial de la USC. “Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras, sino que son una herramienta que ayuda a guiar a los radiólogos a conclusiones más exactas”.
La elastografía se basa en la generación de ondas de corte determinadas por el desplazamiento de los tejidos, inducido por la fuerza de un haz de ultrasonido enfocado o por una presión externa. Las ondas de corte son ondas laterales, con un movimiento perpendicular a la dirección de la fuerza generadora, que viajan lentamente y son atenuadas rápidamente por el tejido. La velocidad de propagación de las ondas de corte se correlaciona con la elasticidad del tejido.
Enlace relacionado:
Universidad del Sur de California
Instituto Politécnico Rensselaer
Investigadores de la Universidad del Sur de California (USC; Los Ángeles, EUA), del Instituto Politécnico Rensselaer (RPI; Troy, Nueva York, EUA) y de otras instituciones, crearon modelos basados en la física que simulaban los niveles variables de las dos propiedades clave de ultrasonido de un tumor de mama canceroso: heterogeneidad elástica y respuesta elástica no lineal. Luego utilizaron miles de entradas de datos derivadas de los modelos para entrenar una red neuronal convolucional (RNC) profunda para clasificar los tumores como malignos o benignos.
Se entrenó una RNC de 5 capas con 8.000 muestras para heterogeneidad, y una RNC de 4 capas con 4.000 muestras para la elasticidad no lineal. Cuando se consultó sobre imágenes sintéticas adicionales, las RNC lograron exactitudes de clasificación de 99,7% a 99,9%. Luego, los investigadores aplicaron el clasificador de elasticidad no lineal, que se entrenó completamente utilizando datos simulados, para clasificar las imágenes de desplazamiento obtenidas de diez pacientes con lesiones mamarias; la RNC clasificó correctamente ocho de cada diez casos.
“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de imágenes sobre los que tendrán más impacto”, dijo el autor principal, el profesor, Assad Oberai, PhD, del departamento de ingeniería mecánica y aeroespacial de la USC. “Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras, sino que son una herramienta que ayuda a guiar a los radiólogos a conclusiones más exactas”.
La elastografía se basa en la generación de ondas de corte determinadas por el desplazamiento de los tejidos, inducido por la fuerza de un haz de ultrasonido enfocado o por una presión externa. Las ondas de corte son ondas laterales, con un movimiento perpendicular a la dirección de la fuerza generadora, que viajan lentamente y son atenuadas rápidamente por el tejido. La velocidad de propagación de las ondas de corte se correlaciona con la elasticidad del tejido.
Enlace relacionado:
Universidad del Sur de California
Instituto Politécnico Rensselaer
Últimas Ultrasonido noticias
- IA detecta COVID-19 en imágenes de ultrasonido pulmonar
- Nueva tecnología de ultrasonido podría revolucionar diagnóstico de enfermedades respiratorias
- Ultrasonido dinámico con contraste muy útil para intervenciones
- Transductor de ultrasonido transparente de banda ancha ultrasensible mejora diagnóstico médico
- Inteligencia artificial detecta defectos cardíacos en recién nacidos a partir de imágenes de ultrasonido
- Tecnología de imágenes por ultrasonido permite a médicos observar actividad de médula espinal durante cirugía
- Pegatinas de ultrasonido que cambian de forma detectan complicaciones postoperatorias
- Técnica de ultrasonido no invasivo ayuda a identificar complicaciones que cambian la vida después de una cirugía de cuello
- Plataforma de ultrasonido remoto ofrece exploraciones diagnósticas desde cualquier lugar
- Ultrasonido enfocado abre temporalmente la barrera hematoencefálica para permitir pruebas de ADN para tumores cerebrales
- Imágenes intravasculares mejoran significativamente resultados en procedimientos de colocación de stent cardiovascular
- Pegatina de ultrasonido portátil ayuda a identificar primeros signos de insuficiencia hepática aguda
- Primeros comandos de voz de su tipo agregados a sistemas de ultrasonido POC permiten operación a manos libres
- Ecografía detecta problemas de placenta en bebés pequeños
- Transductor de ultrasonido en forma de píldora podría beneficiar a pacientes pediátricos y adultos mayores
- Aprendizaje profundo mejora interpretación de ecografía de pulmón