Uso de la segmentación semántica con Deep Learning en la medicina
Actualmente existe una revolución tecnológica en el campo de la medicina, sobre todo en el diagnóstico mediante imágenes, y entre las técnicas que presentan mejores resultados está el Deep Learning.
Autores: Daniella Vinelli Arzubiaga, Juan Rodrigo Acevedo Zanabria
Introducción
Aunque los diagnósticos médicos siguen siendo evaluaciones subjetivas de los hallazgos clínicos y los estudios por imágenes de cada paciente, cada vez se exige mayor precisión en el campo médico; por lo que los avances tecnológicos suponen una gran herramienta para mejorar la precisión y objetividad. Tal es el caso de la histopatología, rama de la medicina que evalúa los tejidos con la finalidad de proporcionar diagnósticos precisos; esta rama requiere de técnicas precisas de procesamiento de imágenes como la segmentación semántica, la cual brinda información de la distribución, tamaños y formas de las células de una muestra.
Segmentación semántica
La segmentación semántica se viene usando con mucha frecuencia en el ámbito médico, esta consiste en asignar una clase a cada píxel de una imagen. En el caso de imágenes histopatológicas, la clase de objeto de interés es la célula; por ello, se requiere separar la imagen en dos clases, células y no células. Por ejemplo, en la Figura 1 se muestra un caso de segmentación de células, donde las regiones pintadas de color amarillo representan los objetos de interés en la muestra. Existen diferentes estrategias para realizar esta tarea de segmentación, como el uso de técnicas morfológicas junto con el método de Otsu [1], técnicas de aprendizaje no supervisado [2,3], y técnicas de aprendizaje profundo o Deep Learning (DL) [4], el cual es un subcampo del aprendizaje automático que emplea Redes Neuronales para realizar predicciones a base de datos de entrada. Estas últimas técnicas han presentado muy buenos resultados en el campo de la visión por computadora.
Figura 1. Segmentación semántica de células. Fuente: Elaboración propia.
Deep Learning como solución a tareas de segmentación
En los últimos años, los modelos de DL, han demostrado resultados prometedores para aplicaciones de clasificación, detección de objetos, y segmentación [5]; es así que, estos modelos ganan más popularidad dentro de la comunidad científica dedicada al estudio de imágenes médicas [6]. Estos modelos de DL se caracterizan por presentar capas convolucionales en su arquitectura; estas capas permiten extraer o detectar características espaciales dentro de una matriz de datos de entrada [7]. Esto resulta idóneo para tareas de segmentación; ya que se pueden extraer patrones dentro de la imágen como líneas, formas geométricas y texturas.
Casos Prácticos y Resultados
En el campo médico, el conteo de células resulta muy útil para diagnosticar diferentes enfermedades [8]; sin embargo, las técnicas de conteo tradicionales pueden tomar demasiado tiempo, dependiendo del tejido o muestra. Con la implementación de modelos de segmentación semántica con DL se ha podido acelerar este proceso, además de aumentar la precisión. Es así que algunos autores han reportado el uso de DL para la segmentación de glóbulos rojos y glóbulos blancos en imágenes de frotis de sangre periférica, teniendo como resultado una precisión del 94,9% para la identificación y recuento de glóbulos rojos, y una precisión de 91,1% para la identificación y recuento de glóbulos blancos [9]. El uso de esta novedosa herramienta en el mundo médico no solo permite ahorrar tiempo, sino que además permite separar las células que se encontraban agrupadas o superpuestas utilizando la transformada de distancia euclidiana, los máximos locales y el etiquetado de componentes conectados.
Por otro lado, enfermedades infecciosas como la malaria, que constituye un problema de salud pública a nivel mundial, requieren de la identificación microscópica del parásito en muestras de sangre periférica [10]. Esta identificación debe ser rápida para poder brindarle al paciente un tratamiento oportuno y específico para el parásito. Este procedimiento requiere que el médico evaluador tenga experiencia, por lo cual en lugares donde esta enfermedad no es muy frecuente se podría dificultar el diagnóstico. En este contexto, un estudio evaluó la aplicación de una Red Neural de Segmentación y una Red Neural Convolucional , alcanzando una precisión del 93,7% para todas las pruebas realizadas, y una especificidad de 87% para la detección de parásitos causantes de malaria en los glóbulos rojos [11]. Por lo que este procedimiento se muestra como una herramienta eficaz para aplicarse en los centros de detección de malaria, y podría ser adaptado para la detección de otros patógenos, como el bacilo de Koch, causante de la tuberculosis, entre otros.
En el caso de las enfermedades crónicas como el cáncer, la evaluación de las características de las células es parte importante del diagnóstico. Este estudio requiere que el personal médico esté correctamente capacitado en la detección de anormalidades celulares, pudiendo resultar un procedimiento complicado y tedioso para aquellos médicos que recién están empezando y que no tienen mucha experiencia en el área. Por lo cual, se han comenzado a realizar estudios que permitan evaluar el uso de DL para mejorar la precisión del diagnóstico sin necesidad de visualización o análisis e interpretación humana. En el caso del diagnóstico del linfoma, un tipo de cáncer que afecta el sistema linfático, el uso de DL tuvo una precisión mayor del 95% para identificar el tipo de linfoma y clasificarlo [12], demostrando así que este tipo de herramientas pueden ser usadas en el campo médico.
Recomendaciones:
Los modelos de DL han demostrado ser herramientas poderosas para el procesamiento de imágenes médicas; sin embargo, el rendimiento de estos modelos, como en otros modelos de aprendizaje automático, depende del contexto de los datos. Por ello, se recomienda seleccionar un dataset orientado a la problemática que se desea resolver y aplicar las técnicas de preprocesamiento, como transformación y normalización de imágenes. De igual manera, se recomienda experimentar con diferentes modelos para cada caso específico, y seleccionar los que mejores métricas reporten, como en los casos presentados anteriormente, donde cada autor utilizó y propuso el modelo que mejor se ajustaba a sus datos.
Conclusiones:
La técnica de segmentación semántica con Deep Learning parece ser una herramienta eficaz para optimizar los diagnósticos médicos, permitiendo una evaluación más objetiva de los estudios histopatológicos. Los modelos de Deep Learning han logrado porcentajes altos de precisión en los casos presentados anteriormente; y aún existe un margen de mejora y experimentación con estos modelos.
Referencias:
[1] A. Gautam & H. Bhadauria, "Classification of white blood cells based on morphological features," 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2014, pp. 2363-2368, doi: 10.1109/ICACCI.2014.6968362.
[2] A. S. Abdul Nasir, M. Y. Mashor and H. Rosline, "Unsupervised colour segmentation of white blood cell for acute leukaemia images," 2011 IEEE International Conference on Imaging Systems and Techniques, 2011, pp. 142-145, doi: 10.1109/IST.2011.5962188.
[3] O. Sarrafzadeh, A. M. Dehnavi, H. Rabbani and A. Talebi, "A simple and accurate method for white blood cells segmentation using K-means algorithm," 2015 IEEE Workshop on Signal Processing Systems (SiPS), 2015, pp. 1-6, doi: 10.1109/SiPS.2015.7344978.
[4] O. Ronneberger, P. Fischer, and T. Brox, ‘‘U-net: Convolutional networks for biomedical image segmentation,’’ Medical Image Computing and Computer Assisted Intervention (MICCAI), 2015, pp. 234–241.
[5] S. K. Zhou et al., "A Review of Deep Learning in Medical Imaging: Imaging Traits, Technology Trends, Case Studies With Progress Highlights, and Future Promises," Proceedings of the IEEE, vol. 109, no. 5, pp. 820-838, May 2021, doi: 10.1109/JPROC.2021.3054390
[6] M. L. Giger, “Machine Learning in Medical Imaging,” Journal of the American College of Radiology, 2018, pp. 512–520, doi: 10.1016/j.jacr.2017.12.028.
[7] Y. LeCun, Y. Bengio and G. Hinton, “Deep Learning”. Nature, 2015, vol. 521, pp. 436–444, doi: https://doi.org/10.1038/nature14539.
[8] B. T. Constantino y G. K. Q. Rivera, “Cutoff Value for Correcting White Blood Cell Count for Nucleated Red Blood Cells: What is it? Why is it Important?”, Lab. Med., vol. 50, núm. 4, pp. e82–e90, 2019.
[9] T. Tran, O. -H. Kwon, K. -R. Kwon, S. -H. Lee and K. -W. Kang, "Blood Cell Images Segmentation using Deep Learning Semantic Segmentation," 2018 IEEE International Conference on Electronics and Communication Engineering (ICECE), 2018, pp. 13-16, doi: 10.1109/ICECOME.2018.8644754.
[10] A. Mbanefo y N. Kumar, “Evaluation of malaria diagnostic methods as a key for successful control and elimination programs”, Trop. Med. Infect. Dis., vol. 5, núm. 2, p. 102, 2020.
[11] M. Delgado-Ortet, A. Molina, S. Alférez, J. Rodellar, y A. Merino, “A deep learning approach for segmentation of red blood cell images and malaria detection”, Entropy (Basel), vol. 22, núm. 6, p. 657, 2020.
[12] M.-L. Müller et al., “Employment of machine learning models yields highly accurate hematological disease prediction from raw flow cytometry matrix data without the need for visualization or human intervention”, Blood, vol. 136, núm. Supplement 1, pp. 11–11, 2020.