La Inteligencia Artificial y la Radiómica como nuevas...
Transcript of La Inteligencia Artificial y la Radiómica como nuevas...
La Inteligencia Artificial y la
Radiómica como nuevas líneas de
desarrollo de la Imagen MédicaAngel Alberich-Bayarri1,2, PhD
1 Grupo de Investigación Biomédica en Imagen (GIBI230)
Instituto de Investigación Sanitaria La Fe2 QUIBIM SL
Twitter: @aalberich
Contenido
• Introducción
• Inteligencia Artificial
• Radiómica
• Conclusiones
Introducción
Estandarización y validación
Protocolos de adquisición, procesamiento, análisis e informado
Integración TICFrom research papers to daily practice
AutomatizaciónCuando sea posible
Optimización de procesosde entrenamiento y test en
IANecesidad clínica
Retos
en Imagen Cuantitativa y algoritmos de Inteligencia
Artificial
Inteligencia Artificial
Mathworks Inc, Natick MA, USA
Inteligencia Artificial
• Machine Learning (Aprendizaje Máquina):
Conjunto de algoritmos de inteligencia
artificial que permiten a un ordenador
aprender a realizar tareas dado un conjunto
de datos (dataset) etiquetado (aprendizaje
supervisado).
1. Árboles y bosques de decisión:
Reference
voxel
Probe
voxels
Cortesía: A. Criminisi. Microsoft Research. RSNA 2017
Inteligencia Artificial
• Machine Learning (Aprendizaje Máquina):
Conjunto de algoritmos de inteligencia
artificial que permiten a un ordenador
aprender a realizar tareas dado un conjunto
de datos (dataset) etiquetado (aprendizaje
supervisado).
2. Deep Learning (Aprendizaje profundo):
Conjunto de algoritmos de Machine Learning
que utilizan Redes Neuronales para aprender
de grandes conjuntos de datos etiquetados.
Inteligencia Artificial
• Deep Neural Networks (Redes
Neuronales Profundas): Modelo de
computación inspirado en las redes de
conectividad cerebral.
• Elementos principales:– Capa de entrada
– Capas ocultas
– Capa de salida
– Pesos (Conexiones)
– Funciones de activación
– Funciones de pérdida
Modificamos los pesos durante el entrenamiento
para minimizar la función de coste a la salida
Thorpe S. Seeking categories in the brain.
Science. 2001;291:260-263
Inteligencia Artificial
PERRO
GATO
Cortical columnsDeep neural networks
Inteligencia Artificial
1000s de
imágenes de
gatos
1000s de
imágenes de
perros
0
100Acierto
Inteligencia Artificial
0
100
50
Acierto
Entrenada con 94.6% de acierto
94.6%
1000s de
imágenes de
gatos
1000s de
imágenes de
perros
Inteligencia Artificial
Entrenada con 94.6% de acierto
Inteligencia Artificial
• Convolutional Neural Networks (Redes Neuronales Convolucionales):
Clase especial de redes neuronales que presentan un rendimiento
extraordinario en análisis de información bidimensional (visión por
computador, reconocimiento de voz).
• Elementos principales:– Capas Convolucionales
– Pooling Layers (Capas de agrupación)
– Fully Connected Layers (Capas completamente conectadas)
Además de los pesos de las conexiones, las
características de los filtros convolucionales se aprenden
también durante el entrenamiento, lo que hace que la
red sea capaz de aprender patrones en las imágenes.
Inteligencia Artificial
• Convolutional Neural Networks (Redes Neuronales Convolucionales):
Cortesía: NVIDIA
Inteligencia Artificial
¿Cómo la implementamos en Imagen Médica?
Inteligencia Artificial
• Train-test process of a CNN
Convolutional Neural Network
(CNN)Input training data
Output
(Labels)
Weights and
filters tuning
‘Tuned’ Convolutional
Neural Network (CNN)
Input testing data
Previously ‘unseen’
Output
(Labeled
data)
TRAINING
TESTING
Slow
(h, d, m)
GPU
Computing
Fast (s) Consumer
devices
Labels
Inteligencia Artificial
• Recursos
NVIDIA Quadro GP100
HARDWARE SOFTWARE
DATA SCIENTISTS
LABELED DATA
Inteligencia Artificial
Potential solutions
Seamless labeling integrated in radiologists workflow
Structured reporting
Pre-computed editable segmentations
Hiring experts for cases labeling (classification, region delineation)
Data augmentation
Transfer learning
Problema actual: Datos etiquetados
Inteligencia Artificial
Ejemplo 1: Clasificación de imágenes
Clasificación de RX tórax
Inteligencia Artificial
• Primera lectura RX
Tórax• Deep Learning
• 140.000 imágenes etiquetadas
• Normal vs. Anormal
• AUC=0.93
Research agreement
with NVIDIA
Inteligencia Artificial
Inteligencia Artificial
Inteligencia Artificial
Ejemplo 2: Clasificación de píxeles
Segmentación
Inteligencia Artificial
• Existen redes neuronales convolucionales específicamente diseñadas
para segmentación
• U-net (2D) y V-net (3D)
Ronneberger O., et al. 2015. U-net: Convolutional
Networks for Biomedical Image Segmentation
Inteligencia Artificial
• Modificación: Supervisión profunda
Inteligencia Artificial
True positive
False negative
False positive
DICE COEFFICIENT:
Training: 91,25%
Validation: 82,47%
Test: 81,83%
Inteligencia Artificial
Radiomics
• Ejemplo: Cáncer de próstata
Imágenes fuente
Size
(~3)
Shape
(~10)
Intensity
(~5)
Textures
(~30)
Function
(~200-500)Análisis masivo de
Biomarcadores de Imagen
Radiomics
Baseline Follow-up
Radiomics
Example on subjects grouping
according to their texture signature
Patient #
Textu
ral fe
atu
res
Radiomics
Radiomics
Conclusiones
Agradecimientos
POST-DOCAlejandro Torreño, PhD - Technology DevelopmentAlejandro Rodríguez, PhD - Image Analysis Engineer
PhD STUDENTSAmadeo Ten - Image Analysis EngineerSara Carratalá - CNS Analysis
CLINICAL TRIALS AND PREBISandra Pérez - Data ManagerJuan Ramón Terrén - Data ManagerRebeca Maldonado - Technician & PREBI
ADMINISTRATIONAna Penadés - Economic & Financial Manager
GIBI230
QUIBIMIMAGE ANALYSIS SCIENTISTSFabio García Castro - Chief Image Analysis ScientistBelén Fos Guarinos - Image Analysis ScientistAna María Jiménez Pastor - Image Analysis ScientistRafael López González - Image Analysis Scientist
DEVELOPMENTRafael Hernández Navarro - Chief Technology OfficerAlejandro Mañas García - Full Stack Senior DeveloperEduardo Camacho Ramos - Front-End Developer
CLINICAL TRIALSIrene Mayorga Ruíz - Clinical Trials CoordinatorRaúl Yébana Huertas - Image Analysis Technician
MARKETING AND COMMUNICATION Katherine Wilisch Ramírez - Marketing Manager
MANAGEMENTIsabel Montero Valle – Team CoordinatorEncarna Sánchez Bernabé - Chief Operating OfficerDaniel Iordanov López - Assistant to Business Development
Luis Martí Bonmatí MD, PhD. GIBI Principal Investigator
QUIBIM Founder
Ángel Alberich Bayarri, PhD. GIBI Scientific-Technical DirectorQUIBIM CEO & Founder
La Inteligencia Artificial y la
Radiómica como nuevas líneas de
desarrollo de la Imagen MédicaAngel Alberich-Bayarri1,2, PhD
1 Grupo de Investigación Biomédica en Imagen (GIBI230)
Instituto de Investigación Sanitaria La Fe2 QUIBIM SL
Twitter: @aalberich