Método de aprendizaje profundo identifica con precisión crecimiento potencialmente canceroso en imágenes de colonoscopia

A través del análisis de las imágenes de la colonoscopia, los profesionales médicos pueden identificar los pólipos de manera temprana y prevenir futuras complicaciones. Este proceso implica la "segmentación de pólipos", que distingue los segmentos de pólipos de las capas normales de tejido del colon. Si bien tradicionalmente los realizaban humanos, los algoritmos informáticos que utilizan el aprendizaje profundo han logrado un progreso significativo en la segmentación de pólipos.

Sin embargo, persisten dos desafíos principales. El primer desafío involucra el "ruido" de la imagen ocasionado por los movimientos de rotación de la lente del colonoscopio durante la captura de la imagen, lo que genera reflejos y difuminación de movimiento. Esto desdibuja los límites de los pólipos, lo que dificulta la segmentación. El segundo desafío es el camuflaje natural de los pólipos, ya que su color y textura a menudo se asemejan a los tejidos circundantes, lo que resulta en un bajo contraste. Esta similitud dificulta la identificación precisa de pólipos y agrega complejidad a la segmentación.

Para abordar estos desafíos, investigadores de la Universidad de Tsinghua (Beijing, China) han desarrollado dos módulos para mejorar el uso de redes neuronales artificiales para la segmentación de pólipos. El "Módulo de agregación de similitud" (SAM, por sus siglas en inglés) aborda los problemas de ruido rotacional al extraer información de píxeles individuales y usar señales semánticas globales de toda la imagen. Se emplean capas convolucionales gráficas y capas no locales para considerar las relaciones matemáticas entre todas las partes de la imagen. El SAM logró un aumento del rendimiento del 2,6 % en comparación con otros modelos de segmentación de pólipos de última generación.

Para hacer frente a las dificultades de camuflaje, el "Módulo de identificación de camuflaje" (CIM, por sus siglas en inglés) captura pistas sutiles de pólipos, ocultas dentro de características de imagen de bajo nivel. El CIM filtra la información irrelevante, incluido el ruido y los artefactos, que podrían interferir con una segmentación precisa. Con la integración del CIM, los investigadores lograron una mejora adicional del 1,8 % en el rendimiento. Los investigadores ahora tienen como objetivo optimizar el método implementando técnicas como la compresión de modelos, reduciendo la complejidad computacional para el uso práctico en entornos médicos del mundo real.

Enlaces relacionados:
Universidad de Tsinghua