You are on page 1of 17

UNIVERSIDAD POLITÉCNICA DE MADRID

ESCUELA TÉCNICA SUPERIOR DE INGENIEROS


DE TELECOMUNICACIÓN

TRABAJO INDIVIDUAL ADGCM


MÁSTER EN TELEMEDICINA Y BIOINGENIERÍA

Detección autónoma de nódulos pulmonares


en imágenes de TC usando redes
neuronales y basadas en sistemas difusos:
Revisión biliográfica

Josías Ernesto De Lima Moreno


2010
Indice
Introducción ................................................................................................................................... 1
Métodos ......................................................................................................................................... 3
Resultados ..................................................................................................................................... 9
Conclusiones ............................................................................................................................... 13
Bibliografía................................................................................................................................... 14
Anexo A: Lista de acronismo ........................................................................................................ 15

Indice de imagenes
Figura 1 Diagrama de flujo para la detección de nódulos pulmonares ............................................ 3
Figura 2 Procedimiento de segmentación del pulmón: (a) imagen original, (b) detección del umbral,
(c) eliminación de bordes, (d) modelo morfológico, (e) identificación de regiones y (f) segmentación
de la región pulmonar .................................................................................................................... 4
Figura 3 Imágenes resultados de ROI ........................................................................................... 5
Figura 4 Esquema del modelo del FCNN ....................................................................................... 6
Figura 5 Funciones de permanencia .............................................................................................. 7
Figura 6 Interfaz usuario del sistema CAD ..................................................................................... 9
Figura 7 Representación de la distribución de las reglas difusas.................................................. 10
Figura 8 Ejemplo detección e identificación ................................................................................. 11
Figura 9 Ejemplo detección e identificación ................................................................................. 11
Figura 10 Ejemplo de falsos positivos .......................................................................................... 12

Indice de tablas
Tabla 1 Resultados experimentales usando diferentes grupos de funciones de permanencia....... 10
Tabla 2 Comportamiento estadístico de varios modelos para comparación .................................. 12
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Introducción

En este trabajo se desarrolla la posibilidad del uso de redes neuronales basadas en un modelo
de lógica difusa que ha sido propuesto para la detección de nódulos pulmonares en (1). Para poder
entender mejor el trabajo descrito a continuación se describe el problema médico que se desea
resolver y el contexto en el que se encuentra.

El cáncer de pulmón es uno de los cánceres más comunes en el mundo y uno de los casos
con mayor probabilidad de mortalidad. La exposición a altos niveles de contaminación, el cigarro,
radiación y asbesto pueden aumentar el riesgo de contraer esta enfermedad. (2). Los nódulos
pulmonares son masas pequeñas de tejido bastante comunes. En una radiografía o una
exploración por TC, los nódulos aparecen como manchas redondas blancas y, por lo general, no
son cancerígenos. Sin embargo, los nódulos más grandes, que generalmente miden veinticinco
milímetros o más, tienen mayor probabilidad de ser cancerígenos que los más pequeños.

El diagnóstico temprano de la enfermedad reduce las probabilidades de muerte del paciente.


Para esto es necesario un procedimiento preciso y de confianza. El procesamiento de imágenes
médicas cumple un papel importante en el diagnóstico precoz. El estudio de las imágenes médicas
para el diagnóstico incluye por lo general diversas técnicas de imagen como ultra sonido, TC y
resonancia magnética. Debido a la alta dependencia de un operador en un ultrasonido y el alto
costo que trae una resonancia magnética, la TC es uno de los métodos más populares para el
diagnóstico.

Para el análisis de los nódulos pulmonares se suele aplicar una comparación de radiografías o
resultados de exploración por TC previamente obtenidos con un estudio más actual para
determinar si ha existido algún tipo de crecimiento, cambio de forma o si su apariencia fue alterada.
De ser así, el paciente se somete a más exámenes tales como una exploración por TEP o incluso
una biopsia de tejido para determinar si los nódulos son cancerígenos. Pero este tipo de estudio se
hace cuando ya las células cancerígenas están desarrolladas. El proyecto internacional ELCAP por
sus siglas en inglés en el que participan centros de Estados Unidos, Europa, Japón, China e Israel,
ha publicado reportes que demuestran la eficacia de técnicas de imagen en la detección de cáncer
de pulmón en estados precoces. Estos reportes indican la aplicación de técnicas de bajas dosis en
TC para imágenes de tórax pueden detectar con una eficacia cuatro veces mayor que una imagen
tomada por técnicas de radiografía de pecho (3). Las probabilidades de supervivencia dentro de los
primeros cinco años pueden aumentar hasta un 80% si el tumor es detectado y tratado. Este éxito
depende de la detección y tratamiento de pequeños tumores localizados con precisión. Por lo que
el uso de la TC puede ayudar de una forma significativa al estudio de nódulos pulmonares.

El uso de la TC trae bastante trabajo debido al bajo contraste, gran número de imágenes (entre
250 y 300 por estudio dependiendo del tamaño del paciente; con cortes de 1,5mm de grosor
cubriendo así todo el pecho), la complejidad de la estructura del pulmón, calcificaciones,
estructuras aledañas, etc.; para poder proveer al doctor con información cuantificable para la
realización de un diagnóstico preciso. Es por esto que se ha demostrado que en la mayoría de los

1
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

casos un radiólogo falla en reconocer un número inaceptable de nódulos en una lectura debido a la
fatiga y la presentación de una gran cantidad de imágenes que poseen características muy
parecidas (4). Así, el uso de técnicas de diagnóstico computarizado (CAD por sus siglas en inglés)
es una herramienta que puede ser utilizada para la detección y pronóstico del cáncer de pulmón.
Este tipo de herramientas se ha usado en diferentes casos de diagnóstico en donde el análisis de
una imagen es la base del estudio médico, como se puede ver en (5), (6) y (7).

Un sistema CAD tiene una gran ventaja para el análisis de imágenes médicas debido a que
puede realizar un gran número de estudios de diferentes pacientes, otorgando un diagnóstico
rápido con un mínimo error debido a la fatiga y otros errores humanos. Muchos sistemas
desarrollados se basan en la detección de bordes, análisis de patrones, técnicas mixtas de
clasificación de imágenes, algoritmos de agrupación, el uso de lógica difusa, entre otros métodos.

En el caso del análisis y detección de nódulos pulmonares se han aplicado métodos diferentes
para el reconocimiento de las células cancerosas como sistemas basados en las características
geométricas, uso de redes neuronales, aplicación de plantillas de clasificación. Las técnicas de
segmentación en el procesamiento de imágenes médicas pueden ser aplicables para imágenes de
TC. Estas técnicas utilizan segmentación por nivel de umbral, basado en morfología, usando lógica
difusa, segmentación basada en redes neuronales y modelos basados en curvas de deformación.
El éxito de estas aplicaciones es debido el rendimiento superior de acuerdo a la clasificación y
regresión. Una red neuronal basada en lógica difusa (FCNN por sus siglas en inglés) es la técnica
utilizada en este trabajo. Esta técnica hereda las ventajas de una red neuronal que para el
procesamiento y las ventajas de un sistema difuso para poder trabajar con los niveles de
incertidumbre. Otra ventaja del FCNN es que utiliza la morfología matemática como una
herramienta muy importante para el procesamiento de imágenes. En el trabajo estudiado se realiza
una medición cuantitativa y sistemática de imágenes de TC para que el médico pueda realizar un
diagnóstico de los nódulos con una mayor eficancia. Un mecanismo de redes neuronales que
aprenda y se adapte es incorporado un modelo de inferencia difuso es el fin principal para el CAD
propuesto para la detección autónoma de nódulos pulmonares. En el modelo difuso la descripción
de las características de las reglas del motor de inferencia es el problema principal ya que no es un
proceso directo por ser el estudio de un sistema no lineal.

El uso de FCNN ha sido propuesto para la detección de nódulos pulmonares. Las reglas de las
que dispone el motor de inferencia de un sistema difuso son aprendidas por el propio sistema,
haciendo uso en este caso de redes neuronales para fortalecer las futuras tomas de decisiones
que mejoren los algoritmos de retropropagación.

2
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Métodos

El objetivo principal del trabajo estudiado es de reducir la detección de falsos positivos


manteniendo un alto nivel de sensibilidad en la detección de nódulos pulmonares utilizando un
sistema CAD automático. El prototipo que propuesto se basa en cuatro etapas. La primera en la
segmentación del pulmón, segunda de selección del ROI, la tercera de extracción de parámetros y
cuarta de identificación por FCNN. La detección de los nódulos pulmonares está basado en un
problema de búsqueda y análisis. Los vasos sanguíneos y los nódulos son estructuras encontradas
en el área pulmonar. Se extrae estas dos estructuras como ROI del pulmón. Para usar estos ROI
se extraen las características que pueden representar un nódulo pulmonar. Y por último se
implementa un modelo FCNN para obtener el motor de reglas y diferenciar entre los ROI como
verdadero o falso. En la siguiente figura se muestra un diagrama de flujo de cómo trabaja el
sistema propuesto.

Imagen de TC
torácica

Segmentación
del pumón

Selección del
ROI

Extracción de
parámetros

Detección del
FCNN

Resultados de
la detección

Figura 1 Diagrama de flujo para la detección de nódulos pulmonares

Segmentación del pulmón

Los pulmones son un organo complejo que contienen diferentes estructuras como bronquios,
arterias, venas y vasos capilares, entre otras. Si no es segmentado correctamente el pulmón, la
selección del ROI que se utilizará para el análisis será incorrecta. Por lo que es importante

3
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

preservar las características del pulmón de la mejor forma durante el procedimiento de


segmentación evitando artefactos. Fueron propuestas varias técnicas de procesamiento de
imágenes para realizar la segmentación como la localización del umbral, detección de bordes,
localización de regiones y operaciones de morfología matemática.

Para esto se organizaron los siguientes pasos en la segmentación del pulmón. Primero se
define un nivel de umbral que convierte la imagen original en una imagen binaria. Después de
aplicar el umbral se observan pixeles de fondo y ruido. Se aplica un filtro de media de 5x5 como
máscara para reducir el ruido de la imagen binaria. Después de aplicar el filtro se omiten los bordes
de la imagen y se tratan como fondo. La región del pulmón contiene arterias y venas que están
cerca del mediastino. Algunos vasos pueden ser excluidos en el procedimiento de filtraje, incluso,
algunas regiones del pulmón pueden ser eliminadas después de la aplicación del umbral. Pero más
importante, puede ocurrir que los nódulos cerca de la pleura también sean eliminados. Se propone
el suavizado de la imagen que incluye de pasos para contrarrestar este error ocasionado por el
filtro aplicado. En la Figura 2 se describe paso a paso los métodos utilizados para la segmentación
del pulmón.

Figura 2 Procedimiento de segmentación del pulmón: (a) imagen original, (b) detección del umbral, (c) eliminación de
bordes, (d) modelo morfológico, (e) identificación de regiones y (f) segmentación de la región pulmonar

El procedimiento de suavizado se basa en la aplicación de un modelo morfológico que ayuda a


representar los vasos excluidos en el filtraje. Esta operación también puede identificar los nódulos
ubicados cerca de la pleura. La operación morfológica nos otorga como resultado la imagen
mostrada en la Figura 2 (d). Luego se realiza un procedimiento de identificación de regiones que

4
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

nos ayuda a identificar algunas de las regiones eliminadas en el filtro. Para localizar el contorno
completo de la región pulmonar de forma automática se utilizan técnicas de marcado. Por último se
obtiene la región final del pulmón y se extrae la información de la imagen original utilizando la
región identificada como máscara.

Selección del ROI y extracción de parámetros

Después de obtener las regions del pulmón se necesita identificar los ROI de las áreas que se
sospechan tener un nódulo pulmonar. Las áreas que interesan son aquellas que poseen vasos y
nódulos. De acuerdo con las opiniones médicas, los nódulos y los vasos sanguíneos presentan
niveles altos de grises y bajo niveles de contraste. Es por eso que se analiza un histograma en el
área del pulmón segmentado y se seleccionan los pixeles con valores altos de grises como
candidatos de ROI. Luego técnicas morfológicas de erosión y dilatación son aplicadas para obtener
regiones de ROI. El tamaño de cada ROI es único dependiendo de la selección. En la Figura 3 se
muestra tres resultados obtenidos de la imagen estudiada.

Figura 3 Imágenes resultados de ROI

Al examinar los ROI se encuentra que la mayoría de estos son vasos sanguíneos por lo que se
discrimina entre los nódulos, los vasos y los bronquios. Los niveles de grises, estilo de curvatura,
brillo y el área de cada estructura han sido considerados para ser aplicada en el proceso de
detección de los nódulos pulmonares. Para esto se propone el uso de un FCNN para esta
discriminación.

FCNN para identificación de un nódulo pulmonar real

El procedimiento final del sistema propuesto es el de confirmar si el ROI detectado es de


verdad un nódulo. Para esto se utiliza una red neuronal que usa un motor de inferencia difusa. Una
red neuronal utiliza estimadores que no poseen ningún tipo de reglas y son capaces de trabajar
con niveles de incertidumbre realizando estimaciones basadas en ejemplos numéricos. Tanto los
sistemas basados en lógica difusa y las redes neuronales son modelos numéricos y que han sido
aplicados correctamente en ejemplos de la vida real. A pesar de que son parecidos ambos
métodos, estos se diferencian principalmente en la forma que se asocian los datos de entrada con

5
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

los resultados. Un sistema difuso estima una función utilizando reglas mientras que las redes
neuronales usan data numérica. También una red neuronal entrena dinámicamente un sistema
mientras que los modelos de lógica difusa poseen un nivel de codificación directo.

En un modelo difuso se trabaja principalmente el transferir las características de un sistema


real a las reglas de inferencia que pueden expresar un sistema lingüístico no lineal. Este
procedimiento no es tan sencillo. Es por eso que se propone un FCNN para resolver este
problema. El procesamiento difuso es realizado copiando una estructura de red neuronal y los
parámetros del razonamiento difuso se aplican usando los pesos asociados a las conexiones de
una red neuronal en el mecanismo de aprendizaje que este tiene. Este método puede identificar el
modelo difuso no lineal de forma automática. Gracias a estas características es posible la
identificación de los nódulos automáticamente mediante métodos de aprendizaje.

Para diseñar un motor de inferencia apropiado es necesario definir un grupo de reglas iniciales
basadas en un conocimiento a priori de las imágenes. Las reglas que se usaron en el paso anterior
para definir los ROI pueden ser usados en este paso. Pero es difícil implementar un grupo de
reglas que funcionen para todos los casos que se puedan encontrar. Para esto es que se usan las
redes neuronales, para dar una solución apropiada a las reglas de inferencia como se muestra en
la Figura 4.

Figura 4 Esquema del modelo del FCNN

En la capa de entrada se tienen tres nodos de entrada que son el tamaño del área, el brillo
medio del ROI y la circularidad. Los valores obtenidos de la imagen son normalizados entre -1 y 1.
Luego este valor es multiplicado por el peso asociado por la red y transmitido a la siguiente capa.

Luego en la capa de borrosificación fue diseñado un grupo de ocho funciones de pertenencia.


El área y el brillo poseen tres funciones de permanencia cada uno: bajo, medio y alto. Ya que
nódulos con áreas bajas y medias pueden poseer una circularidad alta y nódulos con áreas
grandes suelen poseer alta o media circularidad. El brillo posee dos funciones de permanencia:
bajo y alto ya que el brillo medio de los nódulos suele ser mayor a cierto valor. Las funciones de

6
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

permanencia alta y baja pueden representarse por una función sigmoide positiva. La función media
está formada por la suma de una función sigmoide positiva y una función sigmoide negativa con un
desfasaje determinado por el centroide de la función sigmoide. Se puede ver las funciones de
permanencia en la Figura 5. La línea punteada representa la función de transferencia media
mientras que las otras dos representan la función de transferencia baja y alta.

Figura 5 Funciones de permanencia

Estas funciones serán ajustadas progresivamente mediante un método de retropropagación


que ayudara que el sistema pueda identificar efectivamente los nódulos.

La capa de reglas difusas está diseñada para trabajar con una combinación de las reglas de la
capa anterior. Es por esto que se tienen dieciocho reglas de inferencia de esta combinación. Para
cada regla, los nodos asociados realizan una operación de intersección, por lo que se calcula la
pertenencia mínima como la salida de cada regla de inferencia.

Por último la capa de desborrosificación se da el resultado de cada regla con su peso para asi
poder realizar ajustes de las diversas condiciones iniciales. Así los pesos utilizados en un principio
serán ajustados mediante un método de retropropagación. Luego se toma la suma del producto de
cada regla y su peso asociado para calcular la desborrosificación usando la función sigmoide.

Para el entrenamiento del sistema y la adaptación continua de los pesos de las capas de
borrosificación y desborrosificación se utilizó el método de gradiente descendente. Los valores
ideales de los nodos son uno o cero. Se calcula el error entre el valor otorgado por la red y el valor
ideal y se utiliza el método de gradiente descendiente para actualizar los pesos. EL entrenamiento
entonces comienza primero con una imagen de TC, se le extraen las tres características mediante
los procedimiento de procesamiento de imágenes. Estos valores son normalizados entre los
valores -1 y 1. Luego estos valores son propagados por la capa de borrosificación, la capa de
reglas difusas y la capa de desborrosificación para obtener la probabilidad de que el nódulo

7
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

pulmonar estudiado sea correcto. Cuando el valor de salida es obtenido, se calcula el error entre el
valor ideal y el valor calculado. Con este error es que se procede a realizar el arreglo de los pesos
de cada una de las capas. Cada uno de los pesos son actualizados con cada paso del
entrenamiento usando el método de retropropagación. Durante el proceso de entrenamiento se
obtiene una probabilidad de que el ROI sea un nódulo pulmonar. En el trabajo estudiado se nos
dice que si el valor obtenido a la salida del sistema es mayor a 0.75, el ROI en cuestión es un
nódulo pulmonar.

8
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Resultados
EL sistema de detección de nódulos pulmonares propuesto ha sido implementado. Médicos
pueden utilizar este sistema y da un resultado en la detección de los nódulos instantáneamente. En
la Figura 6 se puede observar parte de la interfaz gráfica que se utiliza. Este sistema tiene un
historial que registra cada una de las etapas del análisis. Las ventanas de la izquierda y la derecha
en la Figura 6 muestran el resultado de la detección de los umbrales y la aplicación de las
operaciones morfológicas. La ventana de la derecha representa la segmentación de los ROI y cada
uno es marcado con un color diferente. El tamaño de los nódulos es también colocado en la
pantalla al lado de los círculos.

Figura 6 Interfaz usuario del sistema CAD

Se realizaron el estudio de 29 pacientes y un total de 538 cortes de imágenes que


provenientes del Hospital de las Fuerzas Armadas Sondshan en La Ciudad de Taipei, Taiwan. Las
imágenes de TC fueron recolectadas usando un Magnetom 63SP de Siemens. La energía usada
para la adquisición de las imágenes fue de 150 a 300 mA. El grosor de cada corte es de 10 mm.
Cada imagen tiene el formato de 8 bits (512x512 pixeles). Al examinar varias de estas imágenes
independientemente por un radiólogo experimentado confirmo la existencia de 393 nódulos. El
tamaño de los nódulos fue de 1 a 3 cm de diámetro.

9
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Primero se establecieron manualmente tres grupos de funciones de pertenencia y reglas


difusas de acuerdo con las recomendaciones de radiólogos y al observar la distribución del tamaño
del área, el brillo medio y la circularidad extraídos de treinta casos de nódulos confirmados. Estas
funciones se pueden observar en la Figura 7.

Figura 7 Representación de la distribución de las reglas difusas

Los resultados de este experimento se pueden apreciar en la Tabla 1. Las funciones de


permanencia del tercer grupo dieron el mejor resultado con una probabilidad de detección del
98.3% y el menor número de falsos positivos (0.3). En el transcurso de los experimentos realizados
se detectaron 351 nódulos y se encontraron 176 falsos positivos.

Tasa de detección (%) Falsos positivos


Grupo 1 83.2 0.46
Grupo 2 89.3 0.5
Grupo 3 89.3 0.3
Tabla 1 Resultados experimentales usando diferentes grupos de funciones de permanencia

Luego de usar la FCNN propuesta, se detectaron 351 nódulos y se redujeron el número de


falsos positivos a 124 en estos 29 casos clínicos. Se pueden ver varios ejemplos de detección en
las Figuras 8 y 9. Los nódulos que fueron identificados correctamente son enmarcados por un
círculo. Se puede observar como en los cortes de la Figura 8 y en los cortes (a), (c) y (d) de la
Figura 9 hay una detección correcta sin la existencia de falsos positivos. En la Figura 8 (a) hay un
nódulo de menos de 1.5 cm y en la Figura 8 (b) se muestra un nódulo pegado a la pleura. En la
Figura 9 (b) se la imagen tomográfica de un pulmón sano, que es identificada correctamente.

10
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Figura 8 Ejemplo detección e identificación

Figura 9 Ejemplo detección e identificación

En la Tabla 2 se muestra una comparación del método descrito en este trabajo con otros
métodos. Las imágenes usadas son diferentes en cada uno de los métodos, pero la información
estadística que se da en cada uno de los métodos pueden ser comparada. Por los resultados
obtenidos se podría decir que el método expuesto por este trabajo es más eficiente con respecto a
la detección correcta de nódulos y el número de falsos positivos por imagen. Además la
complejidad computacional del método propuesto es baja y puede ser ejecutada eficientemente.

11
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Falsos Positivos por


Métodos Grosor del corte (mm) Sensibilidad
Imagen
FCNN 7-10 89.3% 0.21
Lógica difusa 7-10 89.3% 0.3
Modelo específico
5-10 80% 10
para cada paciente
LDA 2.5-5 84% 1.74
GATM 10 72% 1.1
Tabla 2 Comportamiento estadístico de varios modelos para comparación

La identificación de los falsos positivos es uno de los factores más importantes de evaluación
del sistema. El mantener un número alto de detección con un bajo número de falsos positivos
siempre ha sido uno de los objetivos principales. Se ha observado que la mayoría de los casos
donde se encuentra un falso positivo es en el lugar donde se ubica una arteria o vena pulmonar,
apareciendo como un objeto circular. Estos poseen una forma y un valor de gris muy parecido a la
de un nódulo verdadero, es por eso que es un trabajo importante y no sencillo diferenciar estos
casos. Para solucionar este problema es posible examinar una serie completa de TC para verificar
la relación entre la localización y las características (tamaño y circularidad) entre cortes
consecutivos. Si los ROI localizados en áreas adyacentes mantienen un tamaño similar y la
circularidad, se puede decir que es un vaso sanguíneo vertical. Esto es un método de diagnóstico
clínico.

El número total de falsos positivos en el sistema FCNN propuesto es de 42 de 583 cortes. La


mayoría de los nódulos que no son detectados satisfactoriamente miden más de 5 cm en diámetro
y ubicados en la pared del pulmón. Ejemplos de estos casos se pueden ver en las Figura 10. Los
nódulos que no fueron detectados son enmarcados con un rectángulo. Es por esto que la
aplicación de otros métodos pueden ayudar a la disminución de los falsos positivos.

Figura 10 Ejemplo de falsos positivos

12
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Conclusiones
En el trabajo presentado se propuso un esquema para la detección de nódulos pulmonares. La
segmentación de las imágenes fueron logradas por medio de una serie de técnicas como detección
del umbral, filtro de media, operaciones morfológicas y etiquetado. Cuando el ROI es analizado, se
le extrae tres características: área, brillo medio y circularidad. Luego, usando el FCNN propuesto
se identifica si representa un nódulo pulmonar. El resultado final de los experimentos realizados es
eficiente detectando nódulos de poco tamaño con una sensibilidad de 89.3% mientras que los
falsos positivos por imagen se reducen a 0.21. El radiólogo consultado para los estudios concuerda
que las reglas de inherencia usadas son de fiar.

Las ventajas de este método se pueden enumerar en los siguientes puntos:

• Procesamiento rápido para la segmentación y la detección de los nódulos pulmonares.

• Definición automática de la de las reglas de inherencia mediante la metodología de


aprendizaje.

• Alto nivel de detección con un número bajo de falsos positivos.

Además el sistema propuesto puede se puede implementar a estaciones de trabajo que se


utilizan en los hospitales donde se trabaja con las imágenes de TC como un asistente eficiente en
el diagnóstico clínico. La segmentación correcta del pulmón y de los ROI usando el método
propuesto provee información importante para el diagnóstico efectivo. Comparando con otros
métodos se puede ver mediante los datos estadísticos que el FCNN propuesto es más efectivo,
pero es necesario la implementación de los diferentes métodos para poder dar una comparación
real. Proponen la reconstrucción 3D del modelo basado en los cortes de TC y tomar otras
características del objeto 3D para poder dar una detección con mayor precisión.

EL uso de un CAD puede mejorar la detección de nódulos pulmonares en especial comparado


incluso con la lectura realizada por un radiólogo. La mayoría de los falsos positivos pueden ser
descartados usando información anatómica. Por lo que el uso de un CAD es más un complemento
al trabajo del radiólogo que un remplazo.

13
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Bibliografía
1. Autonomous detection of pulmonary nodules on CT images with a neural network-based fuzzy
system. Daw-Tung, Lin, Chung-Ren, Yan y Wen-Tai, Chen. s.l. : Elsevier, 2005, Computerized
Medical Imaging and Graphics, Vol. 29, págs. 447-458.

2. NIH: Instituto Nacional del Cáncer. MedlinePlus. Cáncer de pulmón. [En línea] U.S. National
Library of Medicine, 12 de Noviembre de 2010. [Citado el: 6 de Diciembre de 2010.]
http://www.nlm.nih.gov/medlineplus/spanish/lungcancer.html.

3. Early lung cancer detection and treatment strategies. Port, Jeffrey L., Kent, Michael y Altorki,
Nasser K. s.l. : Elsevier, 2002, Surgical Oncology, Vol. 11, págs. 191–199.

4. The utility of computer-aided detection (CAD) for lung cancer screening using low-dose CT.
Roberts, Heidi C., y otros, y otros. s.l. : Elseiver, 2005, International Congress Series, Vol. 1281,
págs. 1137– 1142.

5. A multi-scale probabilistic network model for detection, synthesis and compression in


mammographic image analysis. Sajda, Paul, Spence, Clay y Parra, Lucas. s.l. : Elseiver, 2003,
Medical Image Analysis, Vol. 7, págs. 187–204.

6. Advanced fuzzy cellular neural network: Application to CT liver images. Shitong, Wang, y otros,
y otros. s.l. : Elseiver, 2007, Artificial Intelligence in Medicine, págs. 65-77.

7. Prostate boundarydetectioninultrasoundimagesusingbiologically-inspired spiking neuralnetwork.


Hassaniena, Aboul Ella, Al-Qaheri, Hameed y El-Dahshan, El-Sayed A. s.l. : Elseiver, 2010,
Applied Soft Computing.

14
TRABAJO INDIVIDUAL ADGCM
Detección autónoma de nódulos pulmonares en imágenes de TC usando redes
neuronales y basadas en sistemas difusos: Revisión bibliográfica

Anexo A: Lista de acronismo


− CAD: Computer Aided Diagnosis.
− ELCAP: Early Lung Cancer Action Program.
− FCNN: Fuzzy Cellular Neural Network.
− GATM: Generic Algorithm template Matching
− LDA: Linear Discriminant Analysis.
− ROI: Region Of Interest.
− TC: Tomografía computarizada.
− TEP: Tomografía por Emisión de Positrones.

15

You might also like