Nódulo espiculado Mama Izquierda (MI) 12H-retro SOSPECHOSA (4-BIRADS)

Transcripción

1 Nódulo espiculado Mama Izquierda (MI) Distorsión Mama Derecha (MD) Cuadrante Superior Externo (CSE) SOSPECHOSA (4-BIRADS) 12H-retro SOSPECHOSA (4-BIRADS) Nódulo Mama Derecha (MI) Cuadrante Superior Interno (CSI) BENIGNO (lesión cutánea) w w w. i n y c o m. e s // 1

2 Cómo lo resuelven? Dedicar más horas es insostenible: El cansancio aumenta riesgos Se elevan los costes sanitarios w w w. i n y c o m. e s // 2

3 Cómo lo resuelven? Apoyo en herramientas CAD: CADe: Computed-Aided DETECTION CADx: Computed-Aided DIAGNOSIS Para un DIAGNÓSTICO DIFERENCIAL Para una GESTIÓN DE RECURSOS EFICIENTE: Medir el riesgo Medir la recurrencia Medir el pronóstico En general las herramientas existentes no funcionan y dan más trabajo Baja SENSIBILIDAD Baja ESPECIFICIDAD

4 MEJORA CONTINUA INNOVACIÓN CONFIANZA EQUIPO COMPROMISO EL VALOR DE LA EXCELENCIA COMPROMETIDOS CON TU FUTURO CUSTOMER EXPERIENCE LIFE CARE INTEGRATION TRANSFORMACI ÓN DIGITAL

5 INNOVACIÓN Y TECNOLOGÍA Nuestra seña de identidad Tecnologías de la Información y Comunicaciones LifeCare Integration Digital Business Soluciones y Servicios Tecnológicos Biotecnología Ingeniería, Integración e innovacion w w w. i n y c o m. e s

6 CENTRO DE INVESTIGACIÓN APLICADA Departamento Salud y Aplicaciones Biomédicas Tecnologías de Imagen Visualización y Simulación Inteligencia Artificial y Big Data Interacción Persona-Máquina SECTORES CLÍNICO SOCIO-SANITARIO BIOTECNOLÓGICO FARMACÉUTICO w w w. v i c o m t e c h. o r g

7 CAROL Herramienta en desarrollo para realmente reducir el tiempo que los radiólogos dedican para sus diagnósticos RIESGO (Screening) RECURRENCIA Y PRONÓSTICO DIAGNÓSTICO DIFERENCIAL RIESGO DE MALIGNIDAD 94,34 % RIESGO DE MALIGNIDAD 9,12 % TEJIDO FIBROGLANDULAR MAMA DERECHA % MAMA IZQUIERDA % Se obtiene proporción de tejido fibroglandular: indicador de riesgo de sufrir lesiones* Herramienta CADe Localización de lesiones Herramienta CADx Primer diagnóstico Busca pacientes con diagnóstico similar para validar la recurrencia y el pronóstico // 7 *Moshina, N., et al. (2018). Automated Volumetric Analysis of Mammographic Density in a Screening Setting: Worse Outcomes for Women with Dense Breasts. Radiology, 288:

8 Cómo lo conseguimos? INTERFAZ CLÍNICA BÚSQUEDA DE PACIENTES SIMILARES 3 S EXPERTOS 7 MODELOS IA LEYENDA INTERFAZ DIAGNÓSTICO 3 DIAGNÓSTICO 3 DIAGNÓSTICO 1 CLASIFICACIÓN DE LA MAMA SEGÚN DENSIDAD TOPOLOGÍA LESIONES TOPOLOGÍA MAMA SEGMENTACIÓN TEJIDOS PREPROCESADO: NORMALIZACIÓN CLASIFICACIÓN DE LESIONES SEGÚN MALIGNIDAD LOCALIZACIÓN DE LESIONES Caracterización de Tejidos Caracterización de Lesiones Diagnóstico Diferencial CRECIENTE REPOSITORIO MAMOGRAFÍAS tomosíntesis 3D anotadas con validación clínica Procesado de Imagen Deep Learning Big Data APRENDIZAJE CONTINUO La IA sigue aprendiendo a medida es utilizada por los radiólogos: Mejora continua de los modelos PREPARACIÓN LECTURA DE IMÁGENES SIN PROCESAR BASE DE DATOS w w w. i n y c o m. e s // 8

9 Cómo lo conseguimos? CLASIFICACIÓN DE LA MAMA SEGÚN DENSIDAD TOPOLOGÍA LESIONES TOPOLOGÍA MAMA CLASIFICACIÓN DE LESIONES SEGÚN MALIGNIDAD DIAGNÓSTICO 2 DIAGNÓSTICO 1 SEGMENTACIÓN TEJIDOS 2 MODELOS DEEP LEARNING LOCALIZACIÓN DE LESIONES F: % TEJIDO FIBROGLANDULAR CLASE MAMA BI-RADS 0% < F 25% Tejido graso principalmente 26% < F 50% Áreas dispersas de tejido fibroglandular 51% < F 75% Tejido denso heterogéneo 76% < F 100% Tejido extremadamente denso BI-RADS Clase A BI-RADS Clase B BI-RADS Clase C BI-RADS Clase D w w w. i n y c o m. e s // 9

10 Cómo lo conseguimos? BÚSQUEDA DE PACIENTES SIMILARES TOPOLOGÍA LESIONES TOPOLOGÍA MAMA CLASIFICACIÓN DE LESIONES SEGÚN MALIGNIDAD RIESGO DE MALIGNIDAD 94,34 % DIAGNÓSTICO 3 LOCALIZACIÓN DE LESIONES DIAGNÓSTICO 2 RIESGO DE MALIGNIDAD 9,12 % PROCESADO DE IMAGEN 2 MODELOS DEEP LEARNING w w w. i n y c o m. e s // 10

11 Cómo lo conseguimos? INTERFAZ CLÍNICA BÚSQUEDA DE PACIENTES SIMILARES LEYENDA INTERFAZ CLASIFICACIÓN DE LA MAMA SEGÚN DENSIDAD TOPOLOGÍA LESIONES BIG DATA TOPOLOGÍA MAMA CLASIFICACIÓN DE LESIONES SEGÚN MALIGNIDAD DIAGNÓSTICO 3 SEGMENTACIÓN TEJIDOS LOCALIZACIÓN DE LESIONES DIAGNÓSTICO 2 DIAGNÓSTICO 1 PREPARACIÓN PREPROCESADO: NORMALIZACIÓN LECTURA DE IMÁGENES SIN PROCESAR BASE DE DATOS w w w. i n y c o m. e s // 11

12 Cómo lo conseguimos? INTERFAZ CLÍNICA BÚSQUEDA DE PACIENTES SIMILARES LEYENDA INTERFAZ DIAGNÓSTICO 3 DIAGNÓSTICO 3 DIAGNÓSTICO 1 PREPARACIÓN CLASIFICACIÓN DE LA MAMA SEGÚN DENSIDAD TOPOLOGÍA LESIONES TOPOLOGÍA MAMA SEGMENTACIÓN TEJIDOS PREPROCESADO: NORMALIZACIÓN LECTURA DE IMÁGENES SIN PROCESAR CLASIFICACIÓN DE LESIONES SEGÚN MALIGNIDAD LOCALIZACIÓN DE LESIONES SENSIBILIDAD ESPECIFICIDAD BASE DE DATOS w w w. i n y c o m. e s // 12

13 ROI 1 Especialista en Radiología en el equipo 6,5 Minutos para estudio de cada caso 1500 Pruebas radiológicas al mes 75 Pruebas radiológicas al día TOMOSÍNTESIS 3D RECONSTRUCCIÓN 2D C-VIEW +95% APROX. casos clínicos son SANOS CAROL SCREENING Tiempo dedicado a casos sanos Tiempo dedicado a casos con riesgo Capacidad Clínicas Tiempos de Espera Diagnósticos más Tempranos w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

14 SEGMENTACIÓN DE TEJIDOS METODOLOGÍA Utilizar CNN de forma supervisada para la segmentación en 3 clases: Tejido graso Tejido fibroglandular Background Dataset: 919 imágenes para train, 21 para test Vistas Cráneo-caudal Medio-lateral-oblicua, Mamas derechas Mamas izquierdas Unos pocos casos de mamas con implantes Data augmentation: 6800 imágenes Redimensionadas a tamaño: 256x256 w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

15 U-Net SEGMENTACIÓN DE TEJIDOS ARQUITECTURAS HED (Holistically-nested Edge detection) (Modificación) Empleada en segmentación de imagen médica Especializada en segmentar regiones gruesas Empleada en extracción de bordes específicos Puede ser de utilidad para segmentación de regiones finas TEJIDO GRASO TEJIDO MÚSCULO PECTORAL TEJIDO FIBROGLANDULAR w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

16 SEGMENTACIÓN DE TEJIDOS RESULTADOS DICE o F1 score: Media armónica entre la precisión y la sensibilidad o recall Evalúa en un único valor las proporciones de TP, FP, TN y FN Empleado en evaluación de clasificadores binarios: EVALÚA PÍXEL A PÍXEL Tiene sentido clínico? Sin implantes Tejido Fibroglandular Tejido Graso HED U-Net Ambas EN PROCESO DE VALIDACIÓN CLÍNICA U-Net 90% grasa, 80% glandular Rellena huecos que no debería HED Peores resultados, pero funciona muy bien con fibras pequeñas No confunde tejido fibroglandular con venas U-Net + HED (Para tejido fibroglandular) Peor valor de DICE, pero mejores resultados clínicos w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

17 SEGMENTACIÓN DE TEJIDOS RESULTADOS CUALITATIVOS HED U-Net HED U-Net w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

18 SEGMENTACIÓN DE TEJIDOS RESULTADOS CUALITATIVOS HED U-Net HED U-Net w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

19 SEGMENTACIÓN DE TEJIDOS RESULTADOS CUALITATIVOS UNET + HED UNET + HED w w w. i n y c o m. e s w w w. v i c o m t e c h. o r g

20 GRACIAS POR VUESTRA ATENCIÓN Iván Lalaguna Director Departamento I3 (Ingeniería, Integración e Innovación)