Noticias
Inicio  >  Noticias > Un nuevo sistema para analizar TAC de tórax con aprendizaje profundo permite...

Un nuevo sistema para analizar TAC de tórax con aprendizaje profundo permite detectar lesiones causadas por la COVID-19

Tomografías axiales computerizadas de tórax con lesiones causadas por la COVID-19.

Tomografías axiales computerizadas de tórax con lesiones causadas por la COVID-19.

01/12/2021

Recerca

Un nuevo sistema automatizado que incorpora tecnología de aprendizaje profundo permite detectar lesiones causadas por la COVID-19 mediante el análisis de imágenes de tomografía axial computerizada (TAC) del tórax. El sistema, descrito en un trabajo que publica la revista Computers in Biology and Medicine, lo han desarrollado investigadores de la UB, del Centro Tecnológico de Cataluña (Eurecat) y del Centro de Visión por Computador (CVC).

La investigación «ha permitido constatar la eficiencia del sistema como herramienta de apoyo en la toma de decisiones de los profesionales sanitarios en su labor de detección de la COVID-19, y para medir la gravedad, la extensión y la evolución de la neumonía causada por el SARS-CoV-2, también a medio y largo plazo», afirma el  investigador principal del estudio, Giuseppe Pezzano, investigador de la UB y de la Unidad de Digital Health de Eurecat.

En concreto, el funcionamiento del sistema consiste en «una primera fase de segmentación de los pulmones a partir de la imagen TAC para reducir el área de búsqueda», explica Pezzano. «Posteriormente, se utiliza un algoritmo para analizar el área de los pulmones y detectar la presencia de la COVID-19. En caso de resultado positivo, la imagen se procesa para identificar las áreas afectadas por la enfermedad», añade.

El algoritmo se ha probado con 79 volúmenes y 110 secciones de TAC en los que se había detectado infección por SARS-CoV-2, obtenidos en tres repositorios de imágenes de acceso libre. De media, se consiguió una precisión para la segmentación de lesiones causadas por el virus de casi el 99 %, y no se observó ningún falso positivo durante la identificación.

El método desarrollado usa una forma innovadora de calcular la máscara de la segmentación de las imágenes médicas que también ha dado muy buenos resultados en la segmentación de nódulos en las imágenes de tomografías.

Recientemente, «se han publicado trabajos que muestran que la combinación de algoritmos de aprendizaje profundo y visión por computador ha logrado una precisión mejor que la de los expertos médicos al detectar cáncer en mamografías o predecir ictus y ataques al corazón», explica Petia Radeva, catedrática del Departamento de Matemáticas e Informática de la UB. «Nosotros no podíamos quedarnos atrás y hemos desarrollado esta tecnología para ayudar a los médicos a combatir la COVID-19 ofreciéndoles algoritmos de alta precisión para analizar imágenes médicas de manera objetiva, transparente y robusta», añade la experta, que también es jefa del Grupo de Investigación Consolidado Computer Vision and Machine Learning de la UB e investigadora principal del Centro de Visión por Computador.

«Este tipo de sistema automatizado es una herramienta muy importante para que los profesionales de la salud puedan realizar diagnósticos más robustos y precisos, ya que es capaz de dar información que a un ser humano no le es posible medir», subraya Oliver Díaz, profesor del Departamento de Matemáticas e Informática de la UB. Según Vicent Ribas, jefe de la línea de investigación en Analítica de Datos en Medicina de la Unidad de Digital Health de Eurecat, «la precisión de la herramienta desarrollada, que los resultados del estudio muestran, abre las puertas a usarla para otras aplicaciones en salud, un campo en el que el empleo de inteligencia artificial es cada vez más útil».

 

Referencia del artículo:
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, septiembre de 2021. Doi: https://doi.org/10.1016/j.compbiomed.2021.104689
 

 

Compártelo en:
| Más |
  • Síguenos:
  • botón para acceder al facebook de la universitat de barcelona
  • botón para acceder al twitter de la universitat de barcelona
  • Botón para acceder al Instagram de la Universitat de Barcelona
  • Botón para acceder al Linkedin de la Universitat de Barcelona
  • botón para acceder al youtube de la universitat de barcelona
  • Botón para acceder al Google+ de la Universitat de Barcelona
  • ??? peu.flickr.alt ???
Miembro de la Reconocimiento internacional de la excelencia HR Excellence in Research logo del leru - League of European Research Universities logo del bkc - campus excel·lència logo del health universitat de barcelona campus

© Universitat de Barcelona