Examinando por Autor "Romero, Eduardo"
Mostrando 1 - 1 de 1
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Implementación de un método computacional basado en aprendizaje automático para la clasificación de tejido canceroso a partir de información multimodal de imágenes de resonancia magnética como apoyo al diagnóstico en cáncer de próstata(Universidad de los Llanos, 2020) Caviedes Rojas, Jerson Mauricio; Cruz Roa, Angel Alfonso; Alvarez, Charlems; Romero, EduardoLa resonancia magnética (RM) es una tecnología ampliamente usada en medicina para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM consiste en un proceso de tomografía de emisión que se basa en la excitación de los núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo magnético estático potente, donde los núcleos adquieren una orientación y al mismo tiempo, con los momentos magnéticos, realizan un movimiento provocado por el campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar, una elevada resolución de contraste, ausencia de efectos nocivos por radiación ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis, & Moreno, 2016). La resonancia magnética (RM) es una tecnología ampliamente usada en medicina para la detección de enfermedades, el monitoreo de tratamientos, entre otros. La RM consiste en un proceso de tomografía de emisión que se basa en la excitación de los núcleos de los átomos de hidrógeno. En este proceso se introduce en un campo magnético estático potente, donde los núcleos adquieren una orientación y al mismo tiempo, con los momentos magnéticos, realizan un movimiento provocado por el campo magnético. La RM tiene varias ventajas: capacidad de adquisición multiplanar, 6 una elevada resolución de contraste, ausencia de efectos nocivos por radiación ionizante y una amplia posibilidad del manejo del contraste (Lafuente Martínez, Luis, & Moreno, 2016). Según la GLOBOCAN (Global Cancer Observatory) para el 2018 alrededor del mundo se presentaron 1’276.106 de nuevos casos de cáncer de próstata, donde para ese mismo año se produjeron 358.989 muertes relacionados con este mismo tipo de cáncer. En cuanto a Colombia en el 2018, la GLOBOCAN registró 12.712 de nuevos casos de cáncer de próstata y el número de personas que fallecieron fue de 3.166 (GLOBOCAN , 2018). Algunos factores de riesgos que pueden causar cáncer de próstata son la edad, donde existe una alta probabilidad que después de los 50 años se pueda padecer y alrededor de 6 de cada 10 casos de cáncer de próstata se detectan en hombres mayores de 65 años. También influye la raza o el grupo étnico, los hombres de razas negra y en hombres con ascendencia africana el cáncer de próstata ocurre con más frecuencia, además de los antecedentes familiares (American Cancer Society, 2019). Por otro lado, se ha ido trabajado para mejorar este tipo de tecnología, es por eso que también se habla de la resonancia magnética multiparamétrica (mpMRI por su siglas en inglés), en particular para diagnosticar cáncer de próstata. La resonancia magnética multiparamétrica de próstata consiste en la combinación de imágenes anatómicas de alta resolución tradicionales (por ejemplo T2) con técnicas de imágenes funcionales, por ejemplo resonancia por difusión ponderadas (DWI por sus siglas en inglés), resonancia magnética por perfusión (PRM) o espectroscopía. Por ejemplo, las imágenes T2W (secuencia T2 ponderadas) se usan para analizar la morfología de la zona prostática con el fin de evaluar anomalías en la zona de transición, mientras las imágenes DWI reflejan y miden los movimientos de las moléculas de agua y se usan para la detección de cáncer en la zona prostática periférica (Barentsz et al., 2016). En la actualidad estos avances han ido aún más allá al introducirse la inteligencia artificial en el campo de la medicina para contribuir en la mejora de los diagnósticos en el cáncer de próstata , por ejemplos existen trabajos como el de Fehr et al. (Feht, 2015) , Wibmer et al. (Wibmer et al., 2015), Tiwari et al. (Tiwari, Kurhanewicz, & Madabhushi, 2013) o el de Le et al. (Le, 2017) en donde se implementa métodos computacionales con el uso de las diferentes modalidades de resonancia magnéticas, con el objetivo de diagnosticar de manera precisa el estado de una lesión de cáncer de próstata. Las redes neuronales convolucionales se han utilizada durante décadas en el campo de visión por computador, aunque sólo fue conocido su verdadero valor en la competición ImageNet en el 2012, donde el uso eficiente de las unidades de procesamiento gráfico, el aumento de datos ,además del uso de nuevas técnicas permitieron que se convirtiera en uno de los mejores avances en el campo del aprendizaje automático (Tajbakhsh et al., 2016). Tradicionalmente los modelos de aprendizaje automático eran entrenados para realizar tareas basadas en la extracción 7 manual de características que tomaban de los datos sin procesamiento. En cambio en el aprendizaje profundo, las computadoras aprenden representaciones y características eficientes de manera automática, tomadas directamente de los datos en crudo (Lundervold & Lundervold, 2019). Existen diferentes variantes de modelos de aprendizaje profundo, para la aplicación en diferentes ámbitos o tareas, por ejemplo en el procesamiento del lenguaje natural, procesamiento de imágenes hiperespectrales y análisis de imágenes médicas (Tajbakhsh et al., 2016). El objetivo de este trabajo de grado fue proponer una solución basada en un algoritmo de aprendizaje automático de Deep Learning, basado en Redes Neuronales Convolucionales, para la clasificación de tejidos de próstata a partir de información multimodal de imágenes digitales de resonancia magnética multiparamétrica (T2W, ADC (coeficientes de difusión aparente) y Ktrans que son imágenes post-procesadas de la modalidad DCE ) como apoyo a la investigación y/o diagnóstico del cáncer de próstata. En los resultados se obtuvieron en una primera fase un valor de AUC promedio de 0,71 (±0,127) con el uso de la modalidad Ktrans y en una segunda usando la arquitectura descrita en el artículo de Gutiérrez et al. (Gutierrez, 2019) un valor de AUC promedio de 0.72 (±0,058) combinando las modalidades Ktrans-T2W