Aplicación de una técnica de aprendizaje profundo de identificación de objetos en el análisis de imágenes histológicas de piel humana normal
Cargando...
Archivos
Fecha
2022
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
En los últimos años hemos visto un rápido crecimiento en el uso de tecnologías basadas en Inteligencia Artificial (IA). Prueba de ello es que utilizamos dispositivos, aplicaciones informáticas o teléfonos celulares que realizan tareas relacionadas con la identificación biométrica (es decir, huellas dactilares, rasgos faciales, escaneo ocular). Las imágenes y los videos son editados fácilmente con filtros y efectos especiales por diferentes razones, incluso para engañar a otros. El Procesamiento de lenguaje natural (NLP) utiliza aplicaciones para convertir texto a voz o voz a texto, o para traducir entre idiomas.
Este tipo de soluciones tecnológicas deben en gran medida su avance a:
a) Estudios especializados en Matemáticas, Estadística, Cálculo, Álgebra Lineal, Optimización, entre otros.
b) Los algoritmos de aprendizaje profundo, como las Redes neuronales convolucionales (CNN), son el resultado de los estudios enumerados anteriormente
c) El avance en las Unidades de procesamiento de gráficos (GPU) da como resultado una potencia de cómputo de procesamiento paralelo de costo relativamente bajo
d) La disponibilidad de plataformas colaborativas gratuitas basadas en la nube, como Google Colab, permiten el acceso a unidades de procesamiento GPU / TPU, memoria y almacenamiento que permiten a estudiantes e investigadores usar técnicas de aprendizaje profundo para implementar, usar y mejorar scripts y algoritmos.
e) La cantidad y disponibilidad de datos de diferentes dominios de conocimiento.
f) La evolución y desarrollo de las herramientas de código abierto, así como las comunidades en línea de expertos permiten una rápida transferencia de conocimientos y crean las bases y condiciones para el avance tecnológico.
La industria de los juegos (gaming), así como la de los automóviles autónomos (vehículos autónomos) dependen en gran medida de la tecnología de visión por computador y se han beneficiado significativamente de estas condiciones progresivas.
El uso de diagnóstico médico asistido por IA e imágenes digitales en Ciencias de la Salud todavía tiene un largo camino por recorrer. Por esta razón, decidimos aplicar una técnica de Deep Learning al área de Histología, construyendo una base de datos de imágenes curadas de placas histológicas que resaltan las estructuras celulares.
Las imágenes de biopsias de piel humana sana fueron etiquetadas con melanocitos, células de Langerhans y queratinocitos (basales, hiperactivos y espinosos).
Nuestros resultados demostraron que es posible utilizar la Inteligencia Artificial en el análisis de imágenes médicas de biopsias de piel humana normal, lo que abre posibilidades de apoyar el diagnóstico de cáncer de piel en un futuro cercano.
Palabras clave: Inteligencia Artificial, Aprendizaje Automático, Aprendizaje Profundo, Detección digital de objetos, Redes Neuronales Convolucionales, Visión por Computador, Histología, YOLO v4
Descripción
Abstract
In recent years we have seen rapid growth in the use of technologies based on Artificial Intelligence (AI). Proof of this is that we use devices, computer applications, or cell phones that do tasks related to biometric identification (ie. fingerprints, facial features, eye scans). Images and videos are easily edited with filters and special effects for different reasons, including to deceive others. Natural Language Processing (NLP) uses applications to convert text-to-speech or speech-to-text, or to translate between languages.
These types of technological solutions owe its progress to:
a) Specialized studies in Mathematics, Statistics, Calculus, Linear Algebra, Optimization, among others.
b) Deep Learning Algorithms, such as Convolutional Neural Networks (CNN), are the result of studies listed above
c) Advancement in Graphics Processing Units (GPUs) result in relatively low-cost parallel processing computing power
d) The availability of free, cloud-based collaborative platforms, such as Google Colab grant access to GPU/TPU processing units, memory, and storage that allow people to use Deep Learning techniques to deploy, use and improve upon scripts and algorithms.
e) The quantity and availability of data from different knowledge domains.
f) The growth of open-source tools and online communities of experts allow fast knowledge transfer and create the foundation and conditions for technological advancement.
The gaming industry, as well as autonomous cars or self-driving vehicles are two industries that depend heavily on Computer Vision technology, and have significantly benefited from these progressive conditions.
The use of AI-assisted diagnostics and digital imaging in Health Sciences still have a long way to go. For this reason, we decided to apply a Deep Learning technique in Histology, building a database of curated images of histological plaques highlighting cellular structures. Images from biopsies from healthy human skin showed images of melanocytes, Langerhans cells, and keratinocytes (basal, hyperactive and spinous).
Our results demonstrated it was possible to use Artificial Intelligence in analyzing medical images of biopsies from healthy human skin, which lends itself to the future possibility to support the diagnosis of skin cancer.
Key words: Artificial Intelligence, Machine Learning, Deep Learning, Digital object detection, Convolutional Neural Networks, Computer Vision, Histology, YOLO v4
Palabras clave
Inteligencia Artificial, Aprendizaje Automático, Aprendizaje Profundo, Detección digital de objetos, Redes Neuronales Convolucionales, Visión por Computador, Histología, YOLO v4
Keywords
Artificial Intelligence, Machine Learning, Deep Learning, Digital Object Detection, Convolutional Neural Networks, Computer Vision, Histology, YOLO v4