Type to search

Las distintas vertientes con una misma base del aprendizaje automático en la imagen para el diagnóstico: de la imagen tópica a la imagen intraocular, pasando por -entre otras- las imágenes RX.

Categoría: , ,
18 agosto 2021

AUTORES

  1. Diego Alcázar Martínez. Técnico Superior en Imagen para el Diagnóstico (TSID). Hospital Royo Villanova de Zaragoza.

 

RESUMEN

Comprender que dentro del diagnóstico por la imagen existe una gran variedad de conjuntos y de tipos de imágenes sustentada en una misma base resulta clave para comprender la complejidad del asunto. Todo ello resulta esencial cuando incorporamos elementos de inteligencia artificial y más concretamente de aprendizaje automático.

 

PALABRAS CLAVE

Imágenes médicas, visión por computador, análisis de imágenes

 

ABSTRACT

Understanding that within imaging there is a great variety of sets and types of images supported by the same base is key to understanding the complexity of the matter. All of this is essential when we incorporate elements of artificial intelligence and more specifically machine learning.

 

KEY WORDS

Medical imaging, computer vision, image analysis.

 

INTRODUCCIÓN

En el mundo de la imagen (y ello implica a las imágenes médicas) puede decirse que una “imagen es una imagen” pero con todo un mundo lleno de matices. Si ello lo elevamos a las imágenes que son interpretadas por sistemas informáticos todo se eleva al máximo exponente, pero a la vez saca a relucir como nunca la misma base esencial de todas las imágenes: los píxeles.

Sobre esta misma base (los píxeles), las distintas dimensiones y cualidades de las imágenes y sobre cómo toda esa misma imagen se bifurca en una variedad de imágenes para el diagnóstico es lo que se pretende abordar en este texto.

 

OBJETIVO

El mayor objetivo y pretensión de quien firma este trabajo es aportar una visión completa y holística del mundo de la imagen médica y poner en común la raíz base que sustenta este ámbito.

 

METODOLOGÍA

La metodología empleada para desarrollar este contenido se basa en los mismos conocimientos de la parte autora, así como del documentado pertinente.

De una forma detallada puede decirse que el trabajo se basa en el desarrollo de un artículo monográfico que cuenta con referencias extraídas de la red y sin búsqueda específica mediante operadores booleanos.

Toda la búsqueda se ha realizado sin acotado de fechas y la elección viene determinada en el mismo cuerpo de este texto. Su elección se ha basado en la credibilidad del material localizado.

 

DESARROLLO DEL TEMA

Cuando pensamos en una imagen (en general, sin especializarnos aún en el ámbito médico) seguro que muchos de nosotros lo entendemos como una instantánea, como una fotografía de un lugar, de un espacio, de un momento determinado.

Si lo anterior lo acercamos a la imagen médica, muy a resumidas cuentas y de una forma muy sencilla podemos decir que estamos hablando de una imagen, de una fotografía, de una instantánea que captura una parte del cuerpo humano.

Evidentemente, no todas las partes del cuerpo humano son visibles ni todas se pueden “fotografiar” del mismo modo. Así, no es lo mismo realizar una imagen tópica, que una imagen intraocular o una imagen RX, entre otras.

 

Lo anterior nos conduce a una realidad ineludible en el momento de comprender, de analizar, de sacar un resultado sobre esa imagen. Por ello, se requiere especialización en el asunto y no se encontrarán las mismas características o patrones en una imagen que por ejemplo muestre un ojo que presenta retinopatía diabética que otra imagen que muestra una piel con lesiones cancerígenas malignas.

Esta necesidad de especialización también la tienen las máquinas que analizan imágenes de forma automática y que incluso aprenden de ellas (aprendizaje automático), pero con las máquinas sucede algo diferente.

Los sistemas automatizados pueden tratar aspectos como los espacios de color1, y sobre todo tratan lo que es la base de todo para ellas, una base que no es otra que: el píxel2. El píxel es la esencia de aquello que la máquina que “ve” y aprende de unas determinadas imágenes.

 

Del mismo modo (con muchos matices) que un especialista médico aprende a reconocer en unas determinadas imágenes cuáles son aquellos aspectos que indican que se trate de un paciente sano o no, pero si se le enseñan imágenes de otra especialidad puede tener dificultades o no saber reconocerlo, a las máquinas les sucede lo mismo.

Una máquina puede ser entrenada para que aprenda a reconocer muy bien, excepcionalmente bien, un determinado tipo de imágenes, pero aún estamos tremendamente lejos de llegar a lograr a una máquina que por sí misma sea capaz de clasificar (y sin hablar ya de los sesgos, distorsiones o falta de generalización que se pueda producir) sea cual sea la imagen que se le presente.

Pero lo anterior no resulta óbice para señalar que la máquina juega con el “comodín”, con la “ventaja” del píxel, como su gran motor decisor. En definitiva, una máquina no sabe lo que ve, no comprende lo que ve. Una máquina visualiza una imagen y aprende sobre patrones, y son los patrones los que hacen el factor tan potente, pero a la vez limitador de la visión por computador.

Dicho de otro modo lo anterior, una máquina aprende a reconocer patrones, pero será incapaz de extrapolarlos a otras imágenes que no respondan a esos mismos patrones. En definitiva, lo mismo que puede sucederle a un profesional sanitario que este entrenado para reconocer imágenes RX torácicas y las características indicativas de éstas, pero que no haya sido entrenado para reconocer imágenes intraoculares por poner un ejemplo.

 

CONCLUSIONES

En definitiva, puede decirse que un sistema informático aprende a aprender con la incorporación de patrones. En base a esos patrones podrá determinar el resultado de un diagnóstico y a ese diagnóstico habrá llegado (dicho muy llanamente) con el análisis de los píxeles y de las relaciones de éstos.

Lo anterior resulta el factor denominador común para todo tipo de imágenes e, incluso, se puede aprovechar ese conocimiento base para realizar una transferencia de éste al análisis de otro tipo de imágenes.

Una transferencia de conocimiento que no permitirá establecer un modelo de patrón común pues, como se ha venido indicando, todas las realidades de imágenes son diversas, pero que asientan la base común sobre la que preparar el aprendizaje automático de estos sistemas de inteligencia artificial para las imágenes para el diagnóstico.

 

BIBLIOGRAFÍA

  1. “Espacios de Color” (Universidad de Sevilla).
  2. “Pixel-Based Machine Learning in Medical Imaging” (Hindawi).