Proporcionar servicios de salud de calidad y pruebas de detección a las poblaciones rurales en una nación tan grande como la India es un gran desafío.

El 67 por ciento de la población india reside en áreas rurales; El 90 por ciento de las instalaciones de imágenes médicas están en ciudades; Y solo hay tres radiólogos por cada millón de personas en el país.

El proyecto MIRIAD, dirigido por el profesor asistente Debdoot Sheet, está explorando formas en que las redes neuronales profundas (DNN) pueden mejorar las técnicas de detección radiológica habilitadas para la IA para salvar vidas y mejorar la atención médica en toda la India.

El desafío, dice Debdoot, es cómo manejar la diversidad a gran escala a través de la variedad de imágenes médicas, que incluyen rayos X, tomografía computarizada (TC), imágenes de resonancia magnética (IRM) e imágenes de diapositivas completas de histopatología (WSI). También hay aspectos específicos del dominio en la naturaleza de los datos de la imagen, así como la modalidad y el aspecto específico del órgano de las lesiones y enfermedades.

zaduma

A pesar de estos desafíos, el primer logro importante del Proyecto MIRIAD ha sido el desarrollo de un motor de compresión neuronal profunda para las mamografías. Y el equipo también se encuentra en las etapas avanzadas con la evaluación comparativa de los DNN existentes para las extensiones a la mamografía y al examen de rayos X del tórax.

Inspirado en la compresión profunda basada en el aprendizaje para obtener imágenes naturales, el equipo de Debdoot diseñó y entrenó un modelo autocodificador completamente convolucional para la compresión de las mamografías con preservación de características relevantes para el diagnóstico.

Uso de la codificación aritmética para encapsular una gran cantidad de redundancia espacial en las características para un mayor empaquetamiento de código de alta densidad, lo que lleva a una longitud de bits variable; el equipo demostró factores de compresión de> 300 × (0.04 bpp) en dos conjuntos de datos de mamografía digital disponibles al público utilizando la relación pico de señal a ruido (pSNR), el índice de similitud estructural (SSIM) y las pruebas de adaptabilidad de dominio entre conjuntos de datos.

Para capacitar a los DNN, el equipo de Debdoot utilizó el Intel® AI DevCloud que se ejecuta en los procesadores Intel® Xeon® Platinum 8160 e Intel® Xeon® Gold 6128. Las redes se implementaron en PyTorch * con Intel® Math Kernel Library (Intel® MKL) y Intel® Math Kernel Library para redes neuronales profundas (Intel® MKL-DNN) y Intel® Distribution for Python * 3.5. Los ingenieros de Intel ayudaron al equipo a lograr la máxima optimización, acelerando el entrenamiento de DNN en conjuntos de datos de precisión mixta. El acceso a una gama de recursos de software y una red de apoyo de desarrolladores fue fundamental para este éxito.

Hay muchas oportunidades para los desarrolladores que pueden utilizar la inteligencia artificial para ayudar a los fabricantes de equipos de diagnóstico y detección de imágenes médicas y asistidos por computadora (CADx).

 

 

Fuente: Artificial Intelligence News

author image

About Juan Trinidad Mayo

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

También podría gustarte...

Los defectos de la CPU de Meltdown y Spectre afectan a los procesadores Intel, ARM y AMD
Google está probando su misterioso sistema operativo fuchsia.
Ex trabajadores de Google crean coche autómata que entrega comida
Uber Charged a Guy Nearly $20K for a 20-Minute Ride to the Hospital
8 tendencias que impactaran el mercado tecnológico en 2018.