Segmentación automática de la próstata agilizaría diagnósticos

Hasta ahora, para diagnosticar cáncer el especialista debe segmentar la próstata manualmente en un computador en el que ingresa la resonancia magnética y la edita; la nueva tecnología (rUnet) le permitiría hacerlo en menos tiempo, puesto que solo debe adjuntar la imagen y el programa le entrega la segmentación automáticamente.

Así lo comprobó Juan Esteban Duque Miranda, candidato a magíster en Ingeniería de Sistemas de la Universidad Nacional de Colombia (UNAL) Sede Medellín, quien actualizó y modeló a nueva herramienta rUnet para el diagnóstico temprano de la enfermedad, optimizando el tiempo y los recursos.

La rUnet tiene mejor desempeño en las métricas de evaluación y el volumen de las imágenes se acerca más a la segmentación realizada por el experto.

“Las redes neuronales aprenden a interpretar la información que se les da por medio de entrenamientos, en los que se les suministra muchas imágenes de resonancia ya segmentadas por el doctor, para que las identifique y sea capaz de realizar tareas automáticas por sí sola”, explica el investigador Duque.

A través de funciones matemáticas la red neuronal reconoce los datos gráficos en la resonancia y los separa en planos para que el especialista pueda ver la próstata separada de los demás órganos.

“Las arquitecturas de inteligencia artificial extraen las características de los datos y las clasifican en múltiples capas no lineales donde se van actualizando en la nube, por eso son capaces de actuar autónomamente”, afirma el magíster Miranda.

Cáncer frecuente

El cáncer de próstata es el cuarto tumor maligno más común del mundo y el segundo entre la población masculina. En Colombia, con el 26,6 %, este fue el cáncer más frecuente en hombres, con el 6,9 % de muertes por la enfermedad, según datos de 2019 suministrados por The Global Cancer Observatory.

La enfermedad aparece entre los 55 y 65 años, y hay más probabilidades de contraerla entre los hombres de 70 a 80 años; por eso el diagnóstico temprano es importante.

Modelo probado y comparado

El modelo se puso a prueba con información del concurso Promise 12 Challenge, el cual construye un set de datos con segmentaciones provenientes de cuatro centros médicos de Noruega, EE. UU., Reino Unido y Holanda.

Para el entrenamiento de una red neuronal es importante contar con muchas imágenes de resonancia magnética ya segmentadas por los médicos. A estas se les aplican transformaciones para aumentar la cantidad de datos y mejorar la calidad de la imagen para que la red logre visibilizar mejor el órgano y caracterizarlo.

Para realizar las transformaciones se utilizó una herramienta de lenguaje de programación (el framework del proyecto MONAI) para el tratamiento de imágenes médicas en 3D.

Después se utiliza una arquitectura tipo U-net para codificar y decodificar el lenguaje geométrico de las imágenes de resonancia magnética por capas o agrupaciones.

El modelo se probó y comparó con otras arquitecturas: “encontramos que la herramienta propuesta tiene mejor desempeño en las métricas de otros modelos que se evaluaron y el volumen de las imágenes se acerca más a la segmentación realizada por el experto”, asegura el investigador Duque.

Además, la tecnología funciona como un potencial software que el especialista puede descargar en el computador y segmentar las imágenes del órgano a través de la arquitectura de redes neuronales.

Por último, el magíster de la UNAL asegura que el desarrollo de la tecnología que utiliza redes neuronales puede ser una iniciativa para aplicaciones médicas de segmentación de la próstata a futuro, y agrega que el modelo “puede continuar mejorando con una capacidad de hardware más alta”.