Técnicas de inteligencia artificial aplicadas al análisis de imágenes diagnóstico
Artificial intelligence techniques applied to the analysis of diagnostic images
Barra lateral del artículo
PDF
FLIP
HTML
La Revista ofrece Acceso Abierto bajo una licencia Creative Commons Attibution License
Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.
Contenido principal del artículo
la prevención y el seguimiento de algunos tratamientos médicos. Esta tecnología de vanguardia es ampliamente utilizada en el procesamiento de imágenes médicas debido a su eficiencia para revelar enfermedades o cuerpos extraños en un tiempo más corto.
El presente artículo revisa algunas características, después de una recopilación de información, sobre el uso de tecnologías de Inteligencia Artificial para el diagnóstico de enfermedades por imágenes. Para cumplir con esto, fue necesario indagar sobre algunos tipos de Diagnóstico por Imagen (DI) como tomografía computarizada, ultrasonido, resonancia magnética y radiología. La investigación arrojó que el primer tipo de DI es el más utilizado y conocido por los centros de salud y laboratorios que brindan este tipo de servicio en Colombia. Esto puede deberse a múltiples factores, principalmente a su amplia disponibilidad, su fácil funcionamiento, su escaso uso de radiación y su bajo costo. De hecho, su aprobación como método en la detección de diversas enfermedades es tan simple que no requiere más trámites administrativos.
Por lo tanto, esta revisión pretende presentar brevemente al lector la información técnica en cuanto a imágenes médicas. Primero, presentando algunos métodos y funciones. En segundo lugar, mostrando los avances más recientes en este campo de estudio y su contribución a la mitigación del problema de salud pública más reciente llamado nuevo coronavirus.
Descargas
Detalles del artículo
Apostolopoulos, I. D., & Mpesiana, T. A. (2020). Covid-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks. Physical and Engineering Sciences in Medicine, 43(2), 635–640. https://doi.org/10.1007/s13246-020-00865-4 DOI: https://doi.org/10.1007/s13246-020-00865-4
Battineni, G., Chintalapudi, N., Amenta, F., & Traini, E. (2020). A Comprehensive Machine-Learning Model Applied to Magnetic Resonance Imaging (MRI) to Predict Alzheimer’s Disease (AD) in Older Subjects. Journal of Clinical Medicine, 9(7), 2146. https://doi.org/10.3390/jcm9072146 DOI: https://doi.org/10.3390/jcm9072146
Bekhet, S., Hassaballah, M., Kenk, M. A., & Hameed, M. A. (2020). An Artificial Intelligence Based Technique for COVID-19 Diagnosis from Chest X-Ray. 2nd Novel Intelligent and Leading Emerging Sciences Conference, NILES 2020, 191–195. https://doi.org/10.1109/NILES50944.2020.9257930 DOI: https://doi.org/10.1109/NILES50944.2020.9257930
Born, J., Brändle, G., Cossio, M., Disdier, M., Goulet, J., & Roulin, J. (n.d.). POCOVID-Net : A UTOMATIC D ETECTION OF COVID-19 F ROM A N EW L UNG U LTRASOUND I MAGING D ATASET ( POCUS )
Chen, K. C., Yu, H. R., Chen, W. S., Lin, W. C., Lee, Y. C., Chen, H. H., Jiang, J. H., Su, T. Y., Tsai, C. K., Tsai, T. A., Tsai, C. M., & Lu, H. H. S. (2020). Diagnosis of common pulmonary diseases in children by X-ray images and deep learning. Scientific Reports, 10(1), 1–9. https://doi.org/10.1038/s41598-020-73831-5 DOI: https://doi.org/10.1038/s41598-020-73831-5
Elaziz, M. A., Hosny, K. M., Salah, A., Darwish, M. M., Lu, S., & Sahlol, A. T. (2020). New machine learning method for imagebased diagnosis of COVID-19. PLoS ONE, 15(6). https://doi.org/10.1371/journal.pone.0235187 DOI: https://doi.org/10.1371/journal.pone.0235187
Expósito Gallardo, M. del C., & Ávila Ávila, R. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. Acimed, 17(5), 0–0.
Faleiros, M. C., Nogueira-Barbosa, M. H., Dalto, V. F., Júnior, J. R. F., Tenório, A. P. M., Luppino-Assad, R., Louzada-Junior, P., Rangayyan, R. M., & De Azevedo-Marques, P. M. (2020). Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging. Advances in Rheumatology, 60(1). https://doi.org/10.1186/s42358-020-00126-8 DOI: https://doi.org/10.1186/s42358-020-00126-8
Fos Guarinos, B. (2016). Diseño de técnicas de inteligencia artificial aplicadas a imágenes médicas de rayos X para la detección de estructuras anatómicas de los pulmones y sus alteraciones. https://riunet.upv.es:443/handle/10251/70103
Grist, J. T., Withey, S., MacPherson, L., Oates, A., Powell, S., Novak, J., Abernethy, L., Pizer, B., Grundy, R., Bailey, S., Mitra, D., Arvanitis, T. N., Auer, D. P., Avula, S., & Peet, A. C. (2020). Distinguishing between paediatric brain tumour types using multi-parametric magnetic resonance imaging and machine learning: A multi-site study. NeuroImage: Clinical, 25(December 2019), 102172. https://doi.org/10.1016/j.nicl.2020.102172 DOI: https://doi.org/10.1016/j.nicl.2020.102172
Huang, Z., Xu, H., Su, S., Wang, T., Luo, Y., Zhao, X., Liu, Y., Song, G., & Zhao, Y. (2020). A computer-aided diagnosis system for brain magnetic resonance imaging images using a novel differential feature neural network. Computers in Biology and Medicine, 121(May), 103818. https://doi.org/10.1016/j.compbiomed.2020.103818 DOI: https://doi.org/10.1016/j.compbiomed.2020.103818
Iturrioz, M., Pascau, J., & Estépar, R. S. J. (2018). EMPHYSEMA QUANTIFICATION ON SIMULATED X-RAYS THROUGH DEEP LEARNING TECHNIQUES ⋆ Applied Chest Imaging Laboratory , Brigham and Women ’ s Hospital , Boston , MA , USA † Dept . de Bioingeniería e Ingeniería Aeroespacial , Universidad Carlos III de Madrid ,. Isbi, 273–276
Le, E. P. V., Wang, Y., Huang, Y., Hickman, S., & Gilbert, F. J. (2019). Artificial intelligence in breast imaging. Clinical Radiology, 74(5), 357–366. https://doi.org/10.1016/j.crad.2019.02.006 DOI: https://doi.org/10.1016/j.crad.2019.02.006
Lee, C., Jang, J., Lee, S., Kim, Y. S., Jo, H. J., & Kim, Y. (2020). Classification of femur fracture in pelvic X-ray images using meta-learned deep neural network. Scientific Reports, 10(1), 1–12. https://doi.org/10.1038/s41598-020-70660-4 DOI: https://doi.org/10.1038/s41598-020-70660-4
Nakata, N. (2019). Recent technical development of artificial intelligence for diagnostic medical imaging. Japanese Journal of Radiology, 37(2), 103–108. https://doi.org/10.1007/s11604-018-0804-6 DOI: https://doi.org/10.1007/s11604-018-0804-6
Nguyen, D. T., Kang, J. K., Pham, T. D., Batchuluun, G., & Park, K. R. (2020). Ultrasound image-based diagnosis of malignant thyroid nodule using artificial intelligence. Sensors (Switzerland), 20(7). https://doi.org/10.3390/s20071822 DOI: https://doi.org/10.3390/s20071822
Sarhan, A. M. (2020). Brain Tumor Classification in Magnetic Resonance Images Using Deep Learning and Wavelet Transform. Journal of Biomedical Science and Engineering, 13(06), 102–112. https://doi.org/10.4236/jbise.2020.136010 DOI: https://doi.org/10.4236/jbise.2020.136010
Skandha, S. S., Gupta, S. K., Saba, L., Koppula, V. K., Johri, A. M., Khanna, N. N., Mavrogeni, S., Laird, J. R., Pareek, G., Miner, M., Sfikakis, P. P., Protogerou, A., Misra, D. P., Agarwal, V., Sharma, A. M., Viswanathan, V., Rathore, V. S., Turk, M., Kolluri, R., … Suri, J. S. (2020). 3-D optimized classification and characterization artificial intelligence paradigm for cardiovascular / stroke risk stratification using carotid ultrasound-based delineated plaque : Atheromatic TM 2 . 0. Computers in Biology and Medicine, 125(July), 103958. https://doi.org/10.1016/j.compbiomed.2020.103958 DOI: https://doi.org/10.1016/j.compbiomed.2020.103958
Sotoudeh, H., Tabatabaei, M., Tasorian, B., Tavakol, K., Sotoudeh, E., & Moini, A. L. (2020). Artificial intelligence empowers radiologists to differentiate pneumonia induced by COVID-19 versus influenza viruses. Acta Informatica Medica, 28(3), 190–195. https://doi.org/10.5455/aim.2020.28.190-195 DOI: https://doi.org/10.5455/aim.2020.28.190-195
Tandel, G. S., Balestrieri, A., Jujaray, T., Khanna, N. N., Saba, L., & Suri, J. S. (2020). Multiclass magnetic resonance imaging brain tumor classification using artificial intelligence paradigm. Computers in Biology and Medicine, 122(March), 103804. https://doi.org/10.1016/j.compbiomed.2020.103804 DOI: https://doi.org/10.1016/j.compbiomed.2020.103804
Vasconcelos, F. F. X., Sarmento, R. M., Rebouças, P. P., Hugo, V., & Albuquerque, C. De. (2020). Engineering Applications of Artificial Intelligence Artificial intelligence techniques empowered edge-cloud architecture for brain CT image analysis ✩. Engineering Applications of Artificial Intelligence, 91(February), 103585. https://doi.org/10.1016/j.engappai.2020.103585 DOI: https://doi.org/10.1016/j.engappai.2020.103585
Wang, D., Xu, P. D. J., Zhang, M. S. Z., Li, M. S. S., Ph, D., Zhang, X., Zhou, P. D. Y., Zhang, X., Lu, Y., & Ph, D. (2020). Evaluation of Rectal Cancer Circumferential. 1–9. https://doi.org/10.1097/DCR.0000000000001519 DOI: https://doi.org/10.1097/DCR.0000000000001519
Zhang, X., Lin, X., Zhang, Z., Sun, X., Sun, D., & Yuan, K. (2020). Artificial Intelligence Medical Ultrasound Equipment : Application of Breast Lesions Detection. https://doi.org/10.1177/0161734620928453 DOI: https://doi.org/10.1177/0161734620928453
