Entrenamiento en elasticidad ayuda a la IA a diagnosticar el cáncer de mama

Luego utilizaron miles de entradas de datos derivadas de los modelos para entrenar una red neuronal convolucional (RNC) profunda para clasificar los tumores como malignos o benignos.

Se entrenó una RNC de 5 capas con 8.000 muestras para heterogeneidad, y una RNC de 4 capas con 4.000 muestras para la elasticidad no lineal. Cuando se consultó sobre imágenes sintéticas adicionales, las RNC lograron exactitudes de clasificación de 99,7% a 99,9%. Luego, los investigadores aplicaron el clasificador de elasticidad no lineal, que se entrenó completamente utilizando datos simulados, para clasificar las imágenes de desplazamiento obtenidas de diez pacientes con lesiones mamarias; la RNC clasificó correctamente ocho de cada diez casos.

“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de imágenes sobre los que tendrán más impacto”, dijo el autor principal, el profesor, Assad Oberai, PhD, del departamento de ingeniería mecánica y aeroespacial de la USC. “Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras, sino que son una herramienta que ayuda a guiar a los radiólogos a conclusiones más exactas”.

La elastografía se basa en la generación de ondas de corte determinadas por el desplazamiento de los tejidos, inducido por la fuerza de un haz de ultrasonido enfocado o por una presión externa. Las ondas de corte son ondas laterales, con un movimiento perpendicular a la dirección de la fuerza generadora, que viajan lentamente y son atenuadas rápidamente por el tejido. La velocidad de propagación de las ondas de corte se correlaciona con la elasticidad del tejido.

Enlace relacionado:
Universidad del Sur de California
Instituto Politécnico Rensselaer