Notícies
Inici  >  Notícies > Un nou sistema per analitzar TAC de tòrax amb aprenentatge profund permet detectar...

Un nou sistema per analitzar TAC de tòrax amb aprenentatge profund permet detectar lesions causades per la COVID-19

Tomografies axials computades de tòrax amb lesions causades per la COVID-19.

Tomografies axials computades de tòrax amb lesions causades per la COVID-19.

01/12/2021

Recerca

Un nou un sistema automatitzat que incorpora tecnologia d’aprenentatge profund permet detectar lesions causades per la COVID-19 mitjançant l’anàlisi d’imatges de tomografia axial computada (TAC) de tòrax. El sistema, descrit en un treball que publica la revista Computers in Biology and Medicine, l’han dut a terme investigadors de la UB, del Centre Tecnològic de Catalunya (Eurecat) i del Centre de Visió per Computador (CVC).

La recerca «ha permès constatar l’eficiència del sistema com a eina de suport a la presa de decisions dels professionals sanitaris en la seva tasca de detecció de la COVID-19, i per mesurar la gravetat, l’extensió i l’evolució de la pneumònia causada pel SARS-CoV-2, també a mitjà i llarg termini», afirma l’investigador principal de l’estudi, Giuseppe Pezzano, investigador de la UB i de la Unitat de Digital Health d’Eurecat.  

En concret, el funcionament del sistema consisteix en «una primera fase de segmentació dels pulmons a partir de la imatge TAC per reduir l’àrea de cerca», explica Pezzano. «Posteriorment, s’utilitza un algorisme per analitzar l’àrea dels pulmons i detectar-hi la presència de COVID-19. En cas de resultat positiu, la imatge es processa per identificar les àrees afectades per la malaltia», afegeix.

L’algorisme s’ha provat amb 79 volums i 110 seccions de TAC en els quals s’havia detectat infecció per SARS-CoV-2, obtinguts en tres repositoris d’imatges d’accés lliure. De mitjana, s’ha aconseguit una precisió per a la segmentació de lesions causades pel virus de prop del 99 %, i no s’ha observat cap fals positiu durant la identificació.

El mètode desenvolupat usa una forma innovadora de calcular la màscara de la segmentació de les imatges mèdiques, que també ha donat molt bons resultats en la segmentació de nòduls a les imatges de tomografies.

Recentment, «s’han publicat treballs que mostren que la combinació d’algorismes d’aprenentatge profund i la visió per computador ha aconseguit més precisió que els experts mèdics en la detecció de càncer en mamografies o la predicció d’ictus i atacs de cor», explica Petia Radeva, catedràtica del Departament de Matemàtiques i Informàtica de la UB. «Nosaltres no ens podíem quedar enrere i hem desenvolupat aquesta tecnologia per ajudar els metges a combatre la COVID-19, oferint-los algorismes d’alta precisió per analitzar imatges mèdiques de manera objectiva, transparent i robusta», afegeix l’experta, que també és cap del Grup de Recerca Consolidat Computer Vision and Machine Learning de la UB i investigadora principal del Centre de Visió per Computador.

«Aquest tipus de sistema automatitzat és una eina molt important perquè els professionals de la salut puguin fer diagnòstics més robustos i precisos, ja que és capaç de donar informació que a un ésser humà no li és possible mesurar», subratlla Oliver Díaz, professor del Departament de Matemàtiques i Informàtica de la UB. Segons Vicent Ribas, cap de la línia de recerca en Analítica de Dades en Medicina de la Unitat de Digital Health d’Eurecat, «la precisió de l’eina desenvolupada, que es mostra en els resultats de l’estudi, obre les portes a fer-la servir per a altres aplicacions en salut, un camp en què l’ús de la intel·ligència artificial és cada vegada més útil».

 

Referència de l’article:

G. Pezzano, O. Díaz, V. Ribas-Ripoll, P. Radeva. «CoLe-CNN+: Context learning - Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation». Computers in Biology and Medicine, setembre de 2021. Doi: https://doi.org/10.1016/j.compbiomed.2021.104689
 

 

Comparteix-la a:
| Més |
  • Segueix-nos:
  • botó per accedir al facebook de la universitat de barcelona
  • botó per accedir al twitter de la universitat de barcelona
  • botó per accedir a l'instagram de la Universitat de Barcelona
  • botó per accedir al linkedin de la Universitat de Barcelona
  • botó per accedir al youtube de la universitat de barcelona
  • botó per accedir al google+ de la universitat de barcelona
  • ??? peu.flickr.alt ???
Membre de la Reconeixement internacional de l'excel·lència HR Excellence in Research logo del ∞ - League of European Research Universities logo del bkc - campus excel·lència logo del health universitat de barcelona campus

© Universitat de Barcelona