Método de apoyo para el diagnóstico en imágenes radiológicas de neumonía pediátrica mediante técnicas de inteligencia artificial
Cargando...
Archivos
Fecha
2022
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Los modelos de IA en aprendizaje de imágenes médicas diagnosticas, se están convirtiendo en herramientas de apoyo al personal médico para garantizar un óptimo diagnóstico. Sin embargo, con una red neuronal clásica se crea una clasificación al poder abstraer patrones jerárquicamente la imagen medica original, estos patrones son características de la posición y orientación del objeto, y esta falta de información espacial limita la precisión de la clasificación de imágenes médicas radiológicas pediátricas. Por lo tanto, se plantea el desarrollo de una red neuronal que ayude al personal médico al diagnóstico de Neumonía pediátrica. Se propone una IA de aprendizaje profundo usando redes neuronales convolucionales para detectar y diagnosticar neumonía pediátrica, este método se utiliza a través de un filtro que se aplica a la imagen en escala de grises la cual permite extraer ciertas características y patrones, de dichas imágenes radiológicas para la detección de neumonía, usamos los parámetros del modelo aprendidos a través del Data set “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification” en conjuntos de datos a gran escala, para inicializar el modelo se usó través del aprendizaje por transferencia. El método propuesto se ha evaluado para extraer características de textura asociadas con neumonía pediátrica. Los resultados experimentales del conjunto del Data set obtienen una precisión de 92%.
Con este método se obtiene una herramienta para la clasificación de imágenes radiológicas y rendimiento que permite ayudar al personal médico a garantizar una óptima atención pediátrica en casos de neumonía. Además, de ser una herramienta útil de no contar con un especialista. Generando, una base para futuras investigaciones, manteniendo un modelo cíclico que dé lugar a la optimización del enfoque y así aplicarlo a la medicina.
Descripción
Abstract
Artificial intelligence models in diagnostic medical image learning are becoming support tools for medical personnel to ensure optimal diagnosis. However, with a classical neural network, a classification is created by being able to hierarchically abstract patterns from the original medical image, these patterns are characteristics of the position and orientation of the object, and this lack of spatial information limits the accuracy of the classification of radiological medical images. pediatric. Therefore, the development of a neural network that helps medical personnel to diagnose pediatric pneumonia is proposed. A deep learning AI is proposed using convolutional neural networks to detect and diagnose pediatric pneumonia, this method is used through a filter that is applied to the grayscale image which allows extracting certain characteristics and patterns from said radiological images. for pneumonia detection, we used the model parameters learned through the Data set “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification” in large-scale data sets, to initialize the model it was used through the transfer learning. The proposed method has been evaluated to extract textural features associated with pediatric pneumonia. The experimental results of the Data set obtain a precision of 92%. With this method, a tool for the classification of radiological images and performance is obtained that allows helping medical personnel to guarantee optimal pediatric care in cases of pneumonia. In addition, to be a useful tool not to have a specialist. Generating a basis for future research, maintaining a cyclical model that leads to the optimization of the approach and thus apply it to medicine.
Palabras clave
Deep learning., Aprendizaje profundo, Aprendizaje de maquina, Neumonía, Pediatrico, Redes neuronales convolucionales
Keywords
Machine learning, Deep learning, Convolutional neural networks, Artificial intelligence, Pneumonia