Descargo de responsabilidad: mi respuesta se basa completamente en mis experiencias académicas y la interacción con los radiólogos como estudiante de pregrado y posgrado que estudia ingeniería biomédica, procesamiento de imágenes y visión por computadora.
Para ver la visión por computadora que se aplica en imágenes médicas desde una vista de pájaro, diría que la mayoría de los trabajos de investigación se pueden agrupar en dos categorías principales:
1) Aumentar la funcionalidad / eficiencia de los radiólogos:
Esta categoría ha tenido más éxito que su contraparte, por una buena razón. Como sabemos, el tiempo de un radiólogo es realmente valioso ( y muy costoso ), por lo que cualquier cosa para ayudar a su funcionalidad sería una buena idea. Pocos ejemplos de esta categoría serían:
- ¿Cuáles son los recursos para principiantes para obtener una experiencia práctica al usar algoritmos de aprendizaje automático en un conjunto de datos recopilados?
- ¿Cuáles son los mejores temas de investigación relacionados con la ciencia de datos?
- ¿Cuáles son los desafíos de Internet de las cosas para la informática teórica?
- ¿Cuánto costará construir un moderno centro de investigación en informática?
- ¿Cuáles son algunos avances recientes en la teoría de grafos? Tomé un curso de posgrado en teoría de grafos, pero los resultados que uso de la teoría de grafos (espectrales y aleatorios) tienen más de 50 años. ¿Qué hay de nuevo y cuáles son los grandes avances recientes?
(i) Encontrar las dimensiones de varios órganos
(ii) Herramientas para cambiar el contraste / brillo, etc. de las imágenes
(iii) Construcción de modelos 3D de órganos a partir de series de imágenes 2D
(iv) Segmentar un órgano a partir de imágenes, para ayudar a una mejor visualización y estudio detallado
(v) Registrar una plantilla para un órgano en la imagen, para estudio comparativo
2) Creación de sistemas de decisión independientes:
Con tremendas mejoras en Machine Learning (ML), algunos científicos de la visión instan a la comunidad a confiar más en el algoritmo de ML para hacer su trabajo, en lugar de tratar de mejorar aún más las características / descriptores de la imagen. Esto también tiene sus manifestaciones en el análisis de imagen médica, ha llevado al desarrollo de sistemas de decisión independientes. Por ejemplo, construir una herramienta que sea capaz de clasificar un tumor en una mamografía o incluso una resonancia magnética cerebral como maligno frente a benigno en un entrenamiento bien etiquetado y datos de prueba.
En la investigación de imágenes médicas, son documentos que muestran incluso> 95% de precisión. Sin embargo, en realidad, tenemos otras preocupaciones además de la precisión de un clasificador. Por ejemplo, considere el costo de etiquetar un tumor canceroso como benigno. Desde el punto de vista del clasificador, es solo una instancia de un error. Por otro lado, si confiamos solo en este sistema, es posible que el médico no haya prescrito los tratamientos necesarios que finalmente pueden conducir a la muerte del paciente. Los falsos negativos y los falsos positivos tienen graves consecuencias en las imágenes médicas. Esta es una de las razones por las cuales los sistemas de decisión independientes no están muy bien adoptados a pesar de sus buenos resultados. Y en los laboratorios / hospitales donde se utilizan dichos sistemas, todavía son supervisados por el radiólogo.
La mayoría de los problemas de imágenes médicas generalmente se traducen en las siguientes tareas de CV / IP [1]:
1) segmentación
Ejemplo: segmentar la materia gris frente a la materia blanca en el cerebro, segmentar el cartílago de la rodilla humana.
2) registro
Ejemplo: registro de un órgano de un sujeto a través de imágenes de diferentes modalidades de imágenes (como CT, MRI, etc.), registro de una imagen en un modelo (modelos deformables).
3) visualización
A veces necesitamos ver superficies, como la retina humana, donde una imagen 2D no haría justicia a la anatomía real. Los modelos 3D de computadora son mejores que la imaginación humana de la misma estructura 3D a partir de series de imágenes 2D.
Aprendizaje automático:
-La gente también trabaja en la construcción de sistemas que aprenden patrones de presentación de enfermedades en imágenes y predicen (imágenes no etiquetadas). Sin embargo, no estoy seguro de su uso en el entorno hospitalario en la actualidad.
-De tarde, las tareas como la recuperación de imágenes basada en contenido también están creciendo. Ayuda a los radiólogos a ver ejemplos de pacientes con enfermedades / características similares que les ayudan a tomar mejores decisiones.
Por qué la imagen médica es una tarea difícil:
1) Las consecuencias de falsos negativos, falsos positivos, etc.
2) Las estructuras anatómicas cuando se capturan de la mayoría de las modalidades de imagen, no tienen bordes bien definidos. Por lo tanto, problemas como la segmentación, etc., son más difíciles en la imagen médica.
3) Falta de generalización. Para la mayoría de los órganos, cada individuo puede tener una estructura diferente y, por lo tanto, aprender un modelo o construir un sistema que detecte / segmente automáticamente las estructuras anatómicas no es tan fácil. En un problema tradicional de CV, por ejemplo: al detectar automóviles en una cámara de vigilancia, el objeto (automóvil) generalmente tiene bordes definidos y también sabemos que los automóviles tienen más o menos cierto rango de formas [cuadrado, rectángulo]. Tales suposiciones no pueden hacerse en el dominio de imágenes médicas, lo que lo hace más difícil.
4) Es difícil construir un sistema que pueda capturar completamente lo que hace un radiólogo. Hay una gran cantidad de escenarios de “regla general” en la imagen médica y la medicina en general.
5) La FDA y organizaciones similares en cada país son escépticas (y con razón) sobre el uso de los sistemas de procesamiento automatizado en hospitales y laboratorios.
6) A la gente le preocupa que dichos sistemas reemplacen a los radiólogos que conducen al desempleo. [Esto está demasiado lejos en el futuro, en la actualidad, la gente está tratando de aumentar la función de un radiólogo y mejorar el conjunto de herramientas disponibles para ellos].
Por qué las imágenes médicas comienzan a crecer:
1) La investigación está bien financiada. (Leer: muchos doctores pueden graduarse)
2) Los mismos radiólogos sienten la necesidad de más herramientas, para ayudarlos a hacer mejor su tarea. Y esto se manifiesta en una gran cantidad de trabajo colaborativo entre académicos (ingenieros / científicos) con el personal del hospital.
3) Mi profesor dijo una vez: “En el futuro, esperarías en la fila durante largas horas para conocer al radiólogo, o preferirías arrojar una imagen a unas pocas líneas de código y obtener el resultado”. Por muy descabellado que pueda parecer, algún día sería posible y eso es una buena motivación.
[1] Conferencia 1 de Métodos en Análisis de Imagen Médica
PD: Si hay puntos con los que no está de acuerdo, menciónelo en los comentarios. Editaré la publicación según sea necesario.
