Autoencoders apilados para el aprendizaje no supervisado de características y detección de múltiples órganos en un estudio piloto utilizando datos de pacientes en 4D

El análisis de imágenes médicas sigue siendo un área de aplicación desafiante para la inteligencia artificial. Al aplicar el aprendizaje automático, obtener etiquetas de verdad fundamental para el aprendizaje supervisado es más difícil que en muchas aplicaciones más comunes del aprendizaje automático. Esto es especialmente cierto para conjuntos de datos con anormalidades, ya que los tipos de tejidos y las formas de los órganos en estos conjuntos de datos varían ampliamente. Sin embargo, la detección de órganos en un conjunto de datos anormal puede tener muchas aplicaciones potenciales en el mundo real, tales como diagnóstico automático, planificación automatizada de radioterapia y recuperación de imágenes médicas, donde nuevas imágenes médicas multimodales proporcionan más información sobre los tejidos imágenes para el diagnóstico. Aquí, probamos la aplicación de métodos de aprendizaje profundo para la identificación de órganos en imágenes médicas por resonancia magnética, con características visuales y temporales jerárquicas aprendidas para categorizar clases de objetos de un conjunto de datos multimodal DCE-MRI sin etiquetar, de manera que solo se requiera un entrenamiento débilmente supervisado para un clasificador. Se empleó un método probabilístico basado en parches para la detección de múltiples órganos, con las características aprendidas del modelo de aprendizaje profundo. Esto muestra el potencial del modelo de aprendizaje profundo para su aplicación a imágenes médicas, a pesar de la dificultad de obtener bibliotecas de conjuntos de datos de entrenamiento correctamente etiquetados y a pesar de las anormalidades intrínsecas presentes en los conjuntos de datos de pacientes.