Un nou sistema per analitzar TAC de tòrax amb aprenentatge profund permet detectar lesions causades per la COVID-19

Tomografies axials computades de tòrax amb lesions causades per la COVID-19.
Tomografies axials computades de tòrax amb lesions causades per la COVID-19.
Recerca
(01/12/2021)

Un nou un sistema automatitzat que incorpora tecnologia dʼaprenentatge profund permet detectar lesions causades per la COVID-19 mitjançant lʼanàlisi dʼimatges de tomografia axial computada (TAC) de tòrax. El sistema, descrit en un treball que publica la revista Computers in Biology and Medicine, lʼhan dut a terme investigadors de la UB, del Centre Tecnològic de Catalunya (Eurecat) i del Centre de Visió per Computador (CVC).

Tomografies axials computades de tòrax amb lesions causades per la COVID-19.
Tomografies axials computades de tòrax amb lesions causades per la COVID-19.
Recerca
01/12/2021

Un nou un sistema automatitzat que incorpora tecnologia dʼaprenentatge profund permet detectar lesions causades per la COVID-19 mitjançant lʼanàlisi dʼimatges de tomografia axial computada (TAC) de tòrax. El sistema, descrit en un treball que publica la revista Computers in Biology and Medicine, lʼhan dut a terme investigadors de la UB, del Centre Tecnològic de Catalunya (Eurecat) i del Centre de Visió per Computador (CVC).

La recerca «ha permès constatar lʼeficiència del sistema com a eina de suport a la presa de decisions dels professionals sanitaris en la seva tasca de detecció de la COVID-19, i per mesurar la gravetat, lʼextensió i lʼevolució de la pneumònia causada pel SARS-CoV-2, també a mitjà i llarg termini», afirma lʼinvestigador principal de lʼestudi, Giuseppe Pezzano, investigador de la UB i de la Unitat de Digital Health dʼEurecat.  

En concret, el funcionament del sistema consisteix en «una primera fase de segmentació dels pulmons a partir de la imatge TAC per reduir lʼàrea de cerca», explica Pezzano. «Posteriorment, sʼutilitza un algorisme per analitzar lʼàrea dels pulmons i detectar-hi la presència de COVID-19. En cas de resultat positiu, la imatge es processa per identificar les àrees afectades per la malaltia», afegeix.

Lʼalgorisme sʼha provat amb 79 volums i 110 seccions de TAC en els quals sʼhavia detectat infecció per SARS-CoV-2, obtinguts en tres repositoris dʼimatges dʼaccés lliure. De mitjana, sʼha aconseguit una precisió per a la segmentació de lesions causades pel virus de prop del 99 %, i no sʼha observat cap fals positiu durant la identificació.

El mètode desenvolupat usa una forma innovadora de calcular la màscara de la segmentació de les imatges mèdiques, que també ha donat molt bons resultats en la segmentació de nòduls a les imatges de tomografies.

Recentment, «sʼhan publicat treballs que mostren que la combinació dʼalgorismes dʼaprenentatge profund i la visió per computador ha aconseguit més precisió que els experts mèdics en la detecció de càncer en mamografies o la predicció dʼictus i atacs de cor», explica Petia Radeva, catedràtica del Departament de Matemàtiques i Informàtica de la UB. «Nosaltres no ens podíem quedar enrere i hem desenvolupat aquesta tecnologia per ajudar els metges a combatre la COVID-19, oferint-los algorismes dʼalta precisió per analitzar imatges mèdiques de manera objectiva, transparent i robusta», afegeix lʼexperta, que també és cap del Grup de Recerca Consolidat Computer Vision and Machine Learning de la UB i investigadora principal del Centre de Visió per Computador.

«Aquest tipus de sistema automatitzat és una eina molt important perquè els professionals de la salut puguin fer diagnòstics més robustos i precisos, ja que és capaç de donar informació que a un ésser humà no li és possible mesurar», subratlla Oliver Díaz, professor del Departament de Matemàtiques i Informàtica de la UB. Segons Vicent Ribas, cap de la línia de recerca en Analítica de Dades en Medicina de la Unitat de Digital Health dʼEurecat, «la precisió de lʼeina desenvolupada, que es mostra en els resultats de lʼestudi, obre les portes a fer-la servir per a altres aplicacions en salut, un camp en què lʼús de la intel·ligència artificial és cada vegada més útil».

 

Referència de lʼarticle:

G. Pezzano, O. Díaz, V. Ribas-Ripoll, P. Radeva. «CoLe-CNN+: Context learning - Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation». Computers in Biology and Medicine, setembre de 2021. Doi: https://doi.org/10.1016/j.compbiomed.2021.104689