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

[email protected]

Twitter: @aalberich

mailto:[email protected]

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


• 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


• 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.


• 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


PERRO

GATO

Cortical columnsDeep neural networks


1000s de

imágenes de

gatos

1000s de

imágenes de

perros

0

100Acierto


0

100

50

Acierto

Entrenada con 94.6% de acierto

94.6%

1000s de

imágenes de

gatos

1000s de

imágenes de

perros


Entrenada con 94.6% de acierto


• 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.


• Convolutional Neural Networks (Redes Neuronales Convolucionales):

Cortesía: NVIDIA


¿Cómo la implementamos en Imagen Médica?


• 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


• Recursos

NVIDIA Quadro GP100

HARDWARE SOFTWARE

DATA SCIENTISTS

LABELED DATA


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


Ejemplo 1: Clasificación de imágenes

Clasificación de RX tórax


• Primera lectura RX

Tórax• Deep Learning

• 140.000 imágenes etiquetadas

• Normal vs. Anormal

• AUC=0.93

Research agreement

with NVIDIA


Ejemplo 2: Clasificación de píxeles

Segmentación


• 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


• Modificación: Supervisión profunda


True positive

False negative

False positive

DICE COEFFICIENT:

Training: 91,25%

Validation: 82,47%

Test: 81,83%

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

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

[email protected]

Twitter: @aalberich

mailto:[email protected]

La Inteligencia Artificial y la Radiómica como nuevas...

Documents

Transcript of La Inteligencia Artificial y la Radiómica como nuevas...