Transformación de Imágenes de Angiotomografía por medio del uso de Inteligencia Artificial.

Nota editorial: este artículo documenta un proyecto educativo y sus resultados en los datos utilizados. No acredita validación clínica ni autorización para diagnosticar o tratar a pacientes. Las propuestas de aplicación sanitaria se conservan como objetivos del equipo, no como capacidades demostradas.

Latinoamérica en línea. Segunda Edición. 2021

Angiotomografías con contraste ¿Cuál es el problema?

El reto

Los medios de contraste vía endovenosa que se usan en las angiotomografias contrastadas pueden tener incidencia en la salud nefrológica de los pacientes, sobre todo en aquellos que tienen antecedentes de hipertensión arterial, hipercolesterolemia, antecedentes genéticos, en edad adulta mayor (60 años en adelante) y un riesgo cardiovascular aumentado (1), es decir, son más propensos a:

• tener accidentes cerebrovasculares,
• infarto agudo de miocardio,
• enfermedad arterial periférica y,
• enfermedades de la aorta en general

Existe la posibilidad de realizar angiotomografias simples que no requieren el uso de medios de contraste y que tienen un costo menor (alrededor de $200,00 de diferencia), pero estas no permiten una visualización completa de las estructuras aórticas con claridad (2), por lo que no son útiles en muchos casos, como en el de Jesús.

Por qué escogimos Angiotomografías?

La oportunidad ¿Cómo proponemos solucionarlo?

ANGIOP.AI (Sistema de Transformación de Imágenes de Angiotomografía) explora la traducción de imágenes médicas mediante IA. El objetivo del equipo es investigar si, en el futuro y tras una validación clínica adecuada, esta técnica podría reducir la necesidad de ciertos estudios con contraste. El prototipo no demuestra todavía ese beneficio.

Figura 1. Estructura del modelo GAN aplicado a la transformación de imágenes de Angiotomografía

ANGIOP.AI utiliza un modelo CycleGAN para transformar imágenes sin contraste en imágenes sintéticas con una apariencia similar a las obtenidas con contraste. El modelo aprende a trasladar imágenes del dominio X (sin contraste) al dominio Y (con contraste), sin requerir pares exactos. Que una imagen parezca realista no garantiza que conserve la información clínica.

¿Cuáles son los beneficios?

ANGIOP.AI está alineada al cumplimiento de los objetivos de desarrollo sostenible de las Naciones Unidas al 2030.

Lo explicamos paso a paso: metodología, modelo usado y datasets

Los datasets utilizados corresponden a los provistos por el Dr. Gonzalo Pullas, director de la carrera de Medicina en la Universidad de las Fuerzas Armadas; quien facilitó las imágenes de angiotomografias con contraste y angiotomografias simples (sin contraste) de 10 pacientes anónimos.

Se recibieron 5.144 imágenes de 512 × 512 píxeles en escala de grises. El análisis exploratorio revisó formatos, posibles valores atípicos y diferencias en la distribución de píxeles entre zonas y cortes. Las imágenes correspondían a la misma región anatómica, pero se habían tomado en momentos distintos: no formaban pares exactos uno a uno.

El modelo utilizado es CycleGan con pre-procesamiento de imágenes de escala -1 a 1 para la entrada del modelo. Los discriminadores son redes convolucionales con 5 capas que receptan imágenes de 256×256. Las 4 capas son de definición de patrones y una capa de clasificación. El generador utiliza tres capas convolucionales y seis bloques residuales. Para el cálculo de las funciones de costos, tanto para las imágenes reales como falsas, se está utilizando el proceso del error cuadrático medio (mean squared error).

El modelo utiliza los siguientes parámetros:

• 20000 épocas
• Tasa de aprendizaje del 0,0001

Para el entrenamiento se aplicaron los siguientes pasos:

• Seleccionar una cantidad de imágenes reales
• El generador toma las imágenes reales y les agrega ruido para crear una cantidad de imágenes falsas
• Entrenar al discriminador, haciendo que clasifique las imágenes como falsas o verdaderas un cierto número de veces o épocas
• Generar otra cantidad de imágenes falsas para entrenar el generador
• Se entrena al modelo
• Revisar las curvas de pérdida y las imágenes generadas para evaluar el entrenamiento. Esta inspección técnica no sustituye la validación clínica.

Veamos los resultados:

Abrir vídeo o recurso

Lecciones aprendidas

• Enseñar al modelo a validar las imágenes de entrada si corresponde a la zona angiotorácica.
• Aumentar el Dataset para futuros entrenamientos.
• Se requiere una validación de las imágenes generadas con un panel de expertos médicos.

Lo que se viene: Futuro de ANGIOP.AI

• Usar la data generada para medir el impacto del uso del sistema en reducción de incidencia de enfermedades renales.
• Desarrollar una aplicación Web.

Referencias

(1) Cueva Torres, Dr., F. (2021). Epidemiología y Manejo de las Enfermedades de la Aorta — SIAC. Sociedad Interamericana de Cardiología.

(2) RadiologyInfo para pacientes (2020). Materiales de Contraste.

(3) Federación Mundial del Corazón (2016) Congreso Mundial de Cardiología y Salud Cardiovascular

(4) Ferreira, J (2017) Actualidad en nefropatía por medio de contraste. Universidad Pontificia Bolivariana, Medellín — Colombia. ELSEVIER Volumen 14 Número 2

Integrantes

Diego Chiza, Ana Gayosso, Gabriela Jiménez, Paola Peralta, Patricia Román José Daniel Sacoto, María Teresa Vergara, Hilario Villamar, David Medrano.

Presentación del proyecto: DemoDay

Abrir vídeo o recurso

Repositorio

El código fuente de este proyecto se puede encontrar en: GitHub

¡Más inteligencia artificial!

Saturdays.AI acerca la IA a más personas a través del aprendizaje en comunidad y de proyectos con impacto social. Nuestro lema es AI4ALL IS AI4GOOD.

Conoce la comunidad de Saturdays.AI