Desarrollando métodos de ayuda al diagnóstico del cáncer de mama

Presentación impartida dentro de la asignatura de seminarios del Máster de Visión Artificial de la Universidad Rey Juan Carlos I

Presentation given within the course "Seminars", from Master in Computer Vision of the University Rey Juan Carlos I (Mostoles, Spain)

Transcript

1. Desarrollando métodos de ayuda al diagnóstico del cáncer de mama José Miguel Franco Valiente Máster en Visión Artificial – URJC Móstoles, Abril 2013
2. Contenido CETA y Ciemat Proyecto IMED Socios Motivación Los 3 pilares del proyecto Próximos pasos Conclusiones Otras actividades en CETA
3. CETA Centro Extremeño de Tecnologías Avanzadas Localizado en Trujillo (Cáceres) Centro territorial de CIEMAT Misión “…contribuir de manera decisiva a la consolidación y difusión de la e-Ciencia y de las tecnologías de la información, especialmente GRID…”
4. CETA en cifras Potencia de cálculo 1.500 cores CPUs (12 Tflops) 39.712 cores GPUs (36,9 Tflops 64 bits) Fat node 128 cores y 1TB RAM Almacenamiento 694,4 TB de almacenamiento (Lustre) Conectividad RedIris Nova (20 Gbps) y RTCE (2,5 Gbps) Recursos humanos 18 personas
5. CETA
6. CETA
7. CETA Foto del centro de cálculo
8. CIEMAT Centro de Investigaciones Energéticas Medioambientales y Tecnológicas Sede principal en Madrid (Moncloa) Organismo Público de Investigación Fuerte en Energía (HEP, LNF, Renovables,…) 5 centros territoriales CEDER y CIEDA (Soria), PSA (Almería) y CISOT (Barcelona) y CETA (Trujillo)
9. CIEMAT
10. Proyecto IMED “Explotando e-Infraestructuras para la investigación en métodos de ayuda al diagnóstico del cáncer de mama”
11. SOCIOS IMED es una colaboración entre: – CETA-CIEMAT (Trujillo, España) – INEGI-FEUP (Oporto, Portugal) – FMUP-HSJ (Oporto, Portugal) Comenzó en 2008 Creado para el desarrollo de sistemas CAD Focalizado en el cáncer de mama
12. Motivación Cáncer de mama es el cáncer más común entre mujeres1 1 Según la OMS: http://www.who.int/cancer/events/breast_cancer_month/en/
13. Motivación En España se diagnosticaron más de 27.000 casos en 20122 2 Según la SEOM: http://kcy.me/hzu7
14. Motivación 1 de cada 4 pacientes no superará la enfermedad3 3 Según la SEOM: http://kcy.me/hzu9
15. Motivación La detección temprana es actualmente la clave para reducir la tasa de mortalidad
16. Motivación Screening de mamografías permite detectar la enfermedad hasta 4 años antes de que se haga clínicamente evidente
17. Motivación La doble lectura de mamografías reduce el ratio de cánceres no detectados4 4 Tabár, L., et al., “Beyond randomized controlled trials: organized mammographic screening substantially reduces breast carcinoma mortality”. Cancer 91:1724–1731, 2001
18. Motivación ¡Pero es un proceso costoso! ¿ Solución ? Diagnóstico Asistido por Ordenador
19. Motivación ¡Pero es un proceso costoso! ¿ Solución ? Diagnóstico Asistido por Ordenador
20. Motivación ¡Pero es un proceso costoso! ¿ Solución ? Diagnóstico Asistido por Computador (CAD)
21. ¿Qué es un sistema CAD? Asiste al especialista en la interpretación de imágenes médicas Un caso común de aplicación es la detección de tumores Se combinan varias disciplinas: – Inteligencia Artificial – Procesamiento de imágenes – Radiología
22. ¿Qué es un sistema CAD? Asiste al especialista en la interpretación de imágenes médicas Un caso de aplicación es la detección de tumores Se combinan varias disciplinas: – Inteligencia Artificial – Procesamiento de imágenes – Radiología No sustituyen a los médicos Son herramientas de apoyo
23. ¿Qué es un sistema CAD? CADe Detección de regiones sospechosas - Bastante explorados - Orientados a lesiones concretas - Presente en herramientas comerciales CADx Diagnóstico de lesiones – Proporcionan una segunda opinión – Poco explorados – No presente en sistemas comerciales*
24. ¿Qué es un sistema CAD? CADe Detección de regiones sospechosas - Bastante explorados - Orientados a lesiones concretas - Presente en herramientas comerciales CADx Diagnóstico de lesiones – Proporcionan una segunda opinión – Poco explorados – No presente en sistemas comerciales* IMED
25. ¿Qué es un sistema CAD? Metodología 1. Preprocesamiento 2. Segmentación 3. Extracción de características 4. Clasificación
26. ¿Qué es un sistema CAD? Metodología 1. Preprocesamiento 2. Segmentación 3. Extracción de características 4. Clasificación ¡Reconocimiento de patrones!
27. Motivación Proyecto IMED Construir sistemas CAD para reducir el coste de la evaluación de nuevos casos de cáncer de mama proporcionando una segunda opinión instantánea
28. Los tres pilares de IMED MIWAD MLCs BCDR Mammography Image Worksation for Analysis and Diagnosis Machine Learning Classifiers Breast Cancer Digital Repository
29. Los tres pilares de IMED MIWAD MLCs BCDR MIWAD Prototipo de workstation con capacidades de CADx MLCs Clasificadores para diagnóstico de cáncer de mama BCDR Repositorio anotado de casos de cáncer de mama
30. BCDR MIWAD MLCs BCDR BCDR Repositorio anotado de casos de cáncer de mama
31. BCDR Repositorio completamente anotado de casos de cáncer de mama1 1 Procedentes de la FMUP-HSJ y anonimizados para cumplir la legislación vigente
32. BCDR Subconjunto adaptado del estándar DICOM que contiene: - 17 características clínicas por caso - 23 descriptores de la imagen basados en la forma, intensidad y textura. Revisados por especialistas y avalados por biopsia Clasificados según BI-RADS Orientado a investigadores
33. BCDR * Muchos patients images lesions segmentations classifications studies * * * * * *
34. BCDR * Muchos patients images lesions segmentations classifications studies * * * * * * ¿Qué se almacena aquí?
35. BCDR Descriptores Coordenadas del contorno
36. BCDR BCDR-FMR (Film Mammography Repo) - 1.010 casos - 795 lesiones segmentadas - 3.073 mamografías - 720 x 1.168 imágenes TIFF (8 bpp)
37. BCDR BCDR-DMR (Digital Mammography Repo) - 600 casos - 828 lesiones segmentadas - 2.837 mamografías - 3.328 x 4.084 imágenes TIFF (14 bpp)
38. BCDR BCDR-DMR (Digital Mammography Repo) - 600 casos - 828 lesiones segmentadas - 2.837 mamografías - 3.328 x 4.084 imágenes TIFF (14 bpp) + 2.073 imágenes de ultrasonidos 800 x 600 (8 bbp)
39. BCDR Golden Standard Dataset (2012 Q4) - 200 casos (100 benignos y 100 malignos) - 190 mujeres y 10 hombres - 382 segmentaciones (1,81 por lesión) - Todos avalados por biopsia
40. BCDR
41. BCDR
42. BCDR http://bcdr.inegi.up.pt
43. BCDR http://bcdr.inegi.up.pt
44. BCDR http://bcdr.inegi.up.pt
45. BCDR http://bcdr.inegi.up.pt
46. MIWAD MIWAD MLCs BCDR MIWAD Prototipo de workstation con capacidades de CADx
47. MIWAD Prototipo de workstation para el análisis y diagnóstico de casos de cáncer de mama
48. MIWAD Multiplataforma (Windows, Linux, MacOS) - Implementado en Java - Basado en TUDOR Viewer - Utiliza framework ImageJ Dos aplicaciones interconectadas - MIWAD-DB - MIWAD-CAD
49. MIWAD-DB Se encarga de gestionar… - la información clínica - las mamografías Utiliza el BDCR como fuente de datos - Permite realizar operaciones CRUD Ejecuta los clasificadores en 1-click
50. MIWAD-DB
51. MIWAD-DB pacientes estudios lesiones segmentaciones clasificaciones
52. MIWAD-DB
53. MIWAD-DB imágenes
54. MIWAD-DB clasificadores
55. MIWAD-DB resultados
56. MIWAD-CAD Herramienta de screening (TUDOR Viewer) Incluye operaciones de procesamiento de imágenes Utilizada en la etapa de segmentación: 1. Implementa Livewire para selección de contorno 2. Calcula los descriptores de la imagen 3. Almacena los resultados en BCDR
57. MIWAD-CAD imágenes
58. MIWAD-CAD imágenes
59. MIWAD-CAD imágenes
60. MIWAD ¿Cómo interactúa MIWAD con BCDR? Digital Repository Infrastructure
61. MIWAD ¿Cómo interactúa MIWAD con BCDR? Digital Repository Infrastructure
62. DRI
63. MIWAD
64. MIWAD Actualmente utilizado por los especialistas de la FMUP-HSJ
65. MIWAD imágenes
66. MIWAD imágenes MIWAD-DB
67. MIWAD imágenes MIWAD-DB MIWAD-CAD
68. MIWAD imágenes MIWAD-DB MIWAD-CAD BRUNO
69. MLCs MIWAD MLCs BCDR MLCs Clasificadores para diagnóstico de cáncer de mama
70. MLCs Proporcionan una segunda opinión en base a los datos de aprendizaje Aprenden de los datos
71. MLCs Benignos Malignos MLC info + clasificación info + clasificación
72. MLCs Benignos Malignos MLC info + clasificación info + clasificación ¿Benigno o Maligno? Benigno
73. MLCs Proporcionan una segunda opinión en base a los datos de aprendizaje Aprenden de los datos (de muchos datos) Diferentes algoritmos (Decision trees, genetic programming, neural networks, support vector machines, bayesian networks, clustering,...)
74. MLCs Aprendizaje supervisado y no supervisado - Se proporciona o no la clase Nosotros en IMED: - ANN, SVM y Decision trees - Aprendizaje supervisado
75. MLCs ¿Cuál es el mejor para diagnosticar cáncer de mama? Estamos trabajando en ello
76. MLCs ¿Cuál es el mejor para diagnosticar cáncer de mama? Estamos trabajando en ello 
77. Resultados actuales GRID y HPC para acelerar las investigaciones - Se evalúan miles de configuraciones Métricas - ROC  Verdaderos positivos VS. Falsos positivos - AUC  Probabilidad de un verdadero positivo ¿Nuestros clasificadores?
78. Resultados actuales GRID y HPC para acelerar las investigaciones - Se evalúan miles de configuraciones Métricas - ROC  Verdaderos positivos VS. Falsos positivos - AUC  Probabilidad de un verdadero positivo ¿Nuestros clasificadores? 85% AUC
79. Resultados actuales
80. Resultados actuales ¿Por qué GRID? Evaluación de 20K configuraciones diferentes Entrenamiento costoso (especialmente ANN) Tareas separadas sin relación entre sí 200 días de ejecución CPU
81. MLCs ¿De dónde se obtienen los datos de entrenamiento? BCDR
82. MLCs ¿De dónde se obtienen los datos de entrenamiento? BCDR
83. MLCs ¿Cómo se integran con MIWAD? BCDR
84. MLCs ¿Cómo se integran con MIWAD? Classifier API
85. Classifier API
86. Classifier API Versión 2.0 soporte para DICOM-SR suplemento 79
87. Resumiendo…
88. Resumen MIWAD MLCs BCDR MIWAD Prototipo de workstation con capacidades de CADx MLCs Clasificadores para diagnóstico de cáncer de mama BCDR Repositorio anotado de casos de cáncer de mama
89. Resumen MIWAD MLCs BCDR BCDR se utiliza para entrenar los MLCs
90. Resumen MIWAD MLCs BCDR BCDR es la fuente de datos de MIWAD
91. Resumen MIWAD MLCs BCDR …y MIWAD alimenta el BCDR
92. Resumen MIWAD MLCs BCDR Luego MIWAD ayuda a mejorar los MLCs
93. Resumen MIWAD MLCs BCDR Los MLCs se integran en MIWAD
94. Próximos pasos IMED orientado a la educación MIWAD como app para la formación de radiólogos: - Arquitectura web y diseño responsable - Autoevaluación a través de MLCs - BCDR como recurso formativo Continuación en la mejora de los MLCs (>90%) Certificación de los MLCs para la práctica clínica Aumento de los casos de BCDR
95. Conclusiones Los sistemas CAD pueden aplicarse en: - La mejora del diagnóstico del cáncer de mama - La formación de nuevos especialistas Los médicos demandan mejores herramientas formativas ¡MLCs datos! - Difícil encontrar fuentes completas de datos - BCDR puede servir de fuente para entrenar MLCs
96. Más datos
97. Más datos
98. Más datos
99. Otras actividades en CETA Actividades de I+D+i – Optimización de redes de computación – Rehabilitación energética de edificios – Redes eléctricas inteligentes – Virtualización y cloud computing Centro de recursos – Computación GRID – Supercomputación – Almacenamiento de datos – Virtualización y cloud (IaaS y SaaS)*
100. Agradecimientos CETA-CIEMAT acknowledges the support received from the European Regional Development Fund through its Operational Programme Knowledge-based Economy
101. The End! Muchas gracias por vuestra atención  ¿Preguntas?