Inteligencia artificial en imagen médica: clasificación de transductores en imágenes de ultrasonido de riñones usando redes neuronales

Abstract

La imagen por ultrasonidos es una técnica comúnmente utilizada en el diagnóstico médico. Consiste en la emisión de ondas acústicas de alta frecuencia, para posteriormente detectar y analizar los ecos resultantes, y así obtener imágenes de órganos y estructuras internas del cuerpo, como los riñones. Si bien es cierto que es una técnica no invasiva, no ionizante y accesible, está sujeta a ciertas dificultades a la hora de la toma e interpretación de la imagen dada la alta variabilidad que existe en la técnica y en los parámetros físicos de las sondas. La inteligencia artificial (IA) y sus recientes avances también se han hecho hueco en el ámbito de la imagen médica. A pesar de los retos existentes, las redes neuronales se han implementado en el procesado e interpretación de imágenes para obtener resultados más precisos y eficientes. Por ejemplo, pueden ser entrenadas para encontrar patrones sutiles que pueden pasar desapercibidos para el ojo humano y con ello clasificar imágenes de forma más sencilla. El objetivo de este trabajo ha sido entrenar un modelo de red neuronal clasificadora para distinguir entre el tipo de transductor empleado para adquirir imágenes de ultrasonido de riñones. Se busca poder usar ese clasificador ya entrenado para obtener información automática de la sonda y así poder tenerla en cuenta de manera explícita cuando se analicen conjuntos de imágenes de varios equipos. Así mismo permitiría estudiar las diferencias que existen entre equipos y ayudaría a aplicar técnicas de armonización para mitigarlas. Este proceso presenta la dificultad habitual de no disponer de una base de datos muy extensa y balanceada de casos, es por ello que se han llevado a cabo técnicas como el aumento de datos. En conclusión, este estudio busca avanzar hacia el objetivo de hacer de la imagen por ultrasonido una técnica más accesible y efectiva en diagnóstico médico.

Ultrasound imaging is a technique commonly used in medical diagnostics. It consists of the emission of high-frequency acoustic waves, whose echoes are subsequently detected and analyzed to obtain images of organs and structures inside the body, such as kidneys. Although it is a non invasive, non-ionising and accessible technique, it is subject to certain difficulties when it comes to image acquisition and interpretation due to the high variability in the technique and physical parameters of the probes. Artificial intelligence (AI) and its recent advances have also found their way into the field of medical imaging and ultrasound imaging. Despite the existing challenges, neural networks have been implemented in image processing and interpretation to obtain more accurate and efficient results. For instance, they can be trained to find subtle patterns that may go unnoticed by the human eye and thus classify images more easily. The aim of this work has been to train a classifier neural network model to differentiate the type of transducer used in ultrasound images of the kidneys. The goal is to be able to use this trained classifier to obtain automatic information from the probe to explicitly take it into account when analysing sets of images from multiple devices. It would also allow us to study the differences that exist between teams and help to apply harmonisation techniques to mitigate them. This process presents the usual difficulty of not having a very extensive and balanced database of cases, which is why techniques such as data augmentation have been carried out. In conclusion, this study seeks to advance towards the goal of making ultrasound imaging a more accessible and effective technique in medical diagnosis.