Proporcionar servicios de salud de calidad y pruebas de detección a las poblaciones rurales en una nación tan grande como la India es un gran desafío:

  • El 67 por ciento de la población india reside en áreas rurales;
  • El 90 por ciento de las instalaciones de imágenes médicas están en ciudades;
  • Y solo hay tres radiólogos por cada millón de personas en el país.

Mientras que los programas educativos de salud han sensibilizado sobre la importancia de los exámenes médicos en toda la India; esto, a su vez, ha aumentado las cargas de trabajo para los pocos radiólogos disponibles, que ya están sobrecargados. Como resultado, los radiólogos tienen aún menos tiempo para realizar diagnósticos detallados. La profesión médica está en una carrera contra el tiempo para mejorar la perspectiva de todos los indios, y la Inteligencia Artificial (IA) puede ser el avance que necesita.

Mejora de la detección con redes neuronales profundas

El proyecto MIRIAD, dirigido por el profesor asistente Debdoot Sheet, está explorando formas en que las redes neuronales profundas (DNN) pueden mejorar las técnicas de detección radiológica habilitadas para la IA para salvar vidas y mejorar la atención médica en toda la India.

El desafío, dice Debdoot, es cómo manejar la diversidad a gran escala a través de la variedad de imágenes médicas, que incluyen rayos X, tomografía computarizada (TC), imágenes de resonancia magnética (IRM) e imágenes de diapositivas completas de histopatología (WSI). También hay aspectos específicos del dominio en la naturaleza de los datos de la imagen, así como la modalidad y el aspecto específico del órgano de las lesiones y enfermedades. “El número de canales en estas imágenes no siempre se restringe a 1 (escala de grises) o 3 (color RGB). Estos factores complican el problema de detección de objetos ", dice Debdoot.

A pesar de estos desafíos, el primer logro importante del Proyecto MIRIAD ha sido el desarrollo de un motor de compresión neuronal profunda para las mamografías. Y el equipo también se encuentra en las etapas avanzadas con la evaluación comparativa de los DNN existentes para las extensiones a la mamografía y al examen de rayos X del tórax.

Compresión profunda basada en el aprendizaje

Inspirado en la compresión profunda basada en el aprendizaje para obtener imágenes naturales, el equipo de Debdoot diseñó y entrenó un modelo autocodificador completamente convolucional para la compresión de las mamografías con preservación de características relevantes para el diagnóstico.

Uso de la codificación aritmética para encapsular una gran cantidad de redundancia espacial en las características para un mayor empaquetamiento de código de alta densidad, lo que lleva a una longitud de bits variable; el equipo demostró factores de compresión de> 300 × (0.04 bpp) en dos conjuntos de datos de mamografía digital disponibles al público utilizando la relación pico de señal a ruido (pSNR), el índice de similitud estructural (SSIM) y las pruebas de adaptabilidad de dominio entre conjuntos de datos.

La siguiente figura muestra los detalles de la arquitectura del DNN que el equipo utilizó para la compresión de alta densidad de mamografías.

Figura 1. Técnica para la compresión de alta densidad de mamografías.

Tecnologías de apoyo

Para capacitar a los DNN, el equipo de Debdoot utilizó el Intel® AI DevCloud que se ejecuta en los procesadores Intel® Xeon® Platinum 8160 e Intel® Xeon® Gold 6128. Las redes se implementaron en PyTorch * con Intel® Math Kernel Library (Intel® MKL) y Intel® Math Kernel Library para redes neuronales profundas (Intel® MKL-DNN) y Intel® Distribution for Python * 3.5.

Los ingenieros de Intel ayudaron al equipo a lograr la máxima optimización, acelerando el entrenamiento de DNN en conjuntos de datos de precisión mixta. El acceso a una gama de recursos de software y una red de apoyo de desarrolladores fue fundamental para este éxito.

Para los desarrolladores que se embarcan en proyectos similares al Proyecto MIRIAD, Comenzar con Intel AI DevCloud proporciona una buena introducción a las herramientas de software optimizadas y plataformas de referencia de Intel.

Oportunidades para desarrolladores

Las arquitecturas y los métodos para la compresión de imágenes radiológicas basadas en el aprendizaje y la detección de imágenes radiológicas eficientes tienen el potencial de mejorar la perspectiva de todos los pacientes que participan en los programas de detección en masa. En consecuencia, hay muchas oportunidades para los desarrolladores que pueden utilizar la inteligencia artificial para ayudar a los fabricantes de equipos de diagnóstico y detección de imágenes médicas y asistidos por computadora (CADx).






Dejar respuesta

Please enter your comment!
Please enter your name here