Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Desarrollando métodos de ayuda al diagnóstico del cáncer de mama

CETA-Ciemat
April 02, 2013
190

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)

CETA-Ciemat

April 02, 2013
Tweet

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. 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)
  6. 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
  7. 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/
  8. Motivación En España se diagnosticaron más de 27.000 casos en

    20122 2 Según la SEOM: http://kcy.me/hzu7
  9. Motivación Screening de mamografías permite detectar la enfermedad hasta 4

    años antes de que se haga clínicamente evidente
  10. 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
  11. ¿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
  12. ¿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
  13. ¿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*
  14. ¿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
  15. ¿Qué es un sistema CAD? Metodología 1. Preprocesamiento 2. Segmentación

    3. Extracción de características 4. Clasificación
  16. ¿Qué es un sistema CAD? Metodología 1. Preprocesamiento 2. Segmentación

    3. Extracción de características 4. Clasificación ¡Reconocimiento de patrones!
  17. 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
  18. Los tres pilares de IMED MIWAD MLCs BCDR Mammography Image

    Worksation for Analysis and Diagnosis Machine Learning Classifiers Breast Cancer Digital Repository
  19. 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
  20. BCDR Repositorio completamente anotado de casos de cáncer de mama1

    1 Procedentes de la FMUP-HSJ y anonimizados para cumplir la legislación vigente
  21. 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
  22. BCDR BCDR-FMR (Film Mammography Repo) - 1.010 casos - 795

    lesiones segmentadas - 3.073 mamografías - 720 x 1.168 imágenes TIFF (8 bpp)
  23. BCDR BCDR-DMR (Digital Mammography Repo) - 600 casos - 828

    lesiones segmentadas - 2.837 mamografías - 3.328 x 4.084 imágenes TIFF (14 bpp)
  24. 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)
  25. 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
  26. MIWAD Multiplataforma (Windows, Linux, MacOS) - Implementado en Java -

    Basado en TUDOR Viewer - Utiliza framework ImageJ Dos aplicaciones interconectadas - MIWAD-DB - MIWAD-CAD
  27. 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
  28. 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
  29. DRI

  30. MLCs Proporcionan una segunda opinión en base a los datos

    de aprendizaje Aprenden de los datos
  31. 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,...)
  32. MLCs Aprendizaje supervisado y no supervisado - Se proporciona o

    no la clase Nosotros en IMED: - ANN, SVM y Decision trees - Aprendizaje supervisado
  33. 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?
  34. 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
  35. 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
  36. 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
  37. 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
  38. 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
  39. 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)*
  40. Agradecimientos CETA-CIEMAT acknowledges the support received from the European Regional

    Development Fund through its Operational Programme Knowledge-based Economy