Skip to main content
European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary
Contenido archivado el 2024-06-18

Advanced Kernel-Methods for Medical Imaging

Article Category

Article available in the following languages:

Mejor formación de imágenes médicas gracias a núcleos de control

La innovación en la tecnología de imagen médica está limitada por la incapacidad para extraer algunos datos críticos o relevantes de las imágenes que permitan mejorar la precisión en el diagnóstico de enfermedades y la vigilancia de la salud de los pacientes. Un grupo de investigadores financiado con fondos europeos ha desarrollado técnicas de aprendizaje automático basadas en núcleos de control para detectar osteoartritis y predecir el riesgo de cáncer de mama.

Tanto la osteoartritis como el cáncer de mama son enfermedades que conllevan un coste elevado en términos socioeconómicos, por lo que una detección precoz podría mejorar considerablemente tanto el pronóstico como la calidad de vida de los pacientes. Sin embargo, las técnicas de imagen médica no son lo suficientemente potentes en la actualidad para detectar enfermedades en todos los pacientes debido a problemas de precisión y heterogeneidad de los tejidos. El proyecto AKMI (Advanced kernel-methods for medical imaging) abordó estas cuestiones. Los investigadores del proyecto AKMI estudiaron exhaustivamente distintas arquitecturas de aprendizaje de las aplicaciones, incluidos los métodos jerárquicos de los núcleos de control, las máquinas restringidas de Boltzmann (RBM) y las redes neuronales convolucionales (CNN). En concreto, sus soluciones RBM se aplican actualmente en innumerables tareas de reconocimiento de patrones y se consideran elementos constitutivos de redes de creencias profundas. Los socios del proyecto, además de aplicar y analizar algoritmos de aprendizaje basados en núcleos de control, por ejemplo las máquinas de vectores de soporte (MVS), también publicaron un artículo que describe el riesgo de sobreajuste provocado por una selección inadecuada del modelo y facilitaron directrices a fin de evitar dicho riesgo. Otro logro importante fue el desarrollo de estrategias de comparación y selección de modelos publicadas en Journal of Machine Learning Research en 2015. Mediante la utilización de clasificadores lineales como las MVS y la función de pérdida de margen rho, demostraron que la minimización de un enlace básico del margen es NP-complejo. El equipo de trabajo también empleó algoritmos hashing para acelerar los métodos de núcleo de control con los que calcular las similitudes de los grupos y las cadenas de bits. El proyecto AKMI aplicó con éxito sus algoritmos de aprendizaje automático basados en la arquitectura CNN para conseguir una formación eficiente de imágenes 3D de la osteoartritis y la cuantificación del deterioro de los cartílagos, un método que demostró ser más preciso que la imagen por resonancia magnética (IRM), considerada el estado de la técnica en materia de diagnóstico de osteoartritis. La aplicación de métodos CNN para la evaluación del riesgo de cáncer de mama también funcionó satisfactoriamente. El análisis AKMI ha demostrado que los métodos de aprendizaje automático para reconocer y analizar patrones puede mejorar considerablemente el análisis de las imágenes médicas. La implantación de este tipo de herramientas en la gestión clínica de pacientes podría favorecer un diagnóstico más rápido, un tratamiento más temprano y unos resultados mejores para los pacientes.

Palabras clave

Núcleo de control, formación de imágenes médicas, aprendizaje automático, osteoartritis, cáncer de mama, AKMI,

Descubra otros artículos del mismo campo de aplicación