{"id":1889,"date":"2020-03-25T19:26:58","date_gmt":"2020-03-25T19:26:58","guid":{"rendered":"https:\/\/www.rtc.us.es\/?page_id=1889"},"modified":"2020-03-26T08:31:29","modified_gmt":"2020-03-26T08:31:29","slug":"prometeo","status":"publish","type":"page","link":"https:\/\/grupo.us.es\/rtclab\/e-health\/prometeo\/","title":{"rendered":"PROMETEO"},"content":{"rendered":"\r\n

PROTOTIPO DE DISPOSITIVO M\u00c9DICO DE APOYO AL\u00a0DIAGN\u00d3STICO DE CANCER DE PR\u00d3STATA MEDIANTE TEOR\u00cdAS DE\u00a0CLASIFICACI\u00d3N DE IMAGEN CON DEEP-LEARNING<\/h2>\r\n\r\n\r\n\r\n

Los algoritmos de Deep-Learning, y en concreto las Redes Neuronales por Convoluciones (CNNs), se han convertido r\u00e1pidamente en la metodolog\u00eda m\u00e1s atractiva para el an\u00e1lisis de im\u00e1genes en diferentes campos, y en particular en el \u00e1mbito m\u00e9dico. En la literatura se pueden encontrar m\u00faltiples trabajos a este respecto, tal como se repasa en los antecedentes; en clasificaci\u00f3n de im\u00e1genes, detecci\u00f3n de objetos, segmentaci\u00f3n y otras tareas. Existen \u00e1reas m\u00e9dicas donde se ha profundizado m\u00e1s, como en la neuronal, retinal, pulmonar, patolog\u00eda digital, card\u00edaca, abdominal o m\u00fasculo-esqueleto, entre otras. Las CNNs consisten en una serie de capas de filtrado por convoluciones de una imagen de entrada. En cada capa se realizan m\u00faltiples convoluciones con diferentes filtros con el objetivo de extraer determinadas caracter\u00edsticas de la imagen. En la primera capa se extraen caracter\u00edsticas m\u00e1s simples, como orientaciones, detecciones de bordes, etc. En las siguientes capas se realizan otro tipo de filtros que permiten la combinaci\u00f3n de las caracter\u00edsticas extra\u00eddas de capas anteriores para detectar morfolog\u00edas o distribuciones particulares en la imagen. Tras una serie de capas de convoluci\u00f3n se utiliza un clasificador neuronal para ofrecer una clase de salida con una probabilidad de \u00e9xito asociado a la decisi\u00f3n. Estas CNNs requieren que los filtros est\u00e9n programados de forma adecuada para obtener la clasificaci\u00f3n esperada. La obtenci\u00f3n de estos filtros se realiza mediante un proceso de entrenamiento. Uno de estos mecanismos es el denominado Back-Propagation, el cual mediante iteraciones sobre una base de datos permite indicar a la red neuronal, para una imagen de entrada, cu\u00e1l debe ser su clasificaci\u00f3n y de esta forma el algoritmo Back-Propagation realiza un ajuste de los valores de todos los filtros de las capas de convoluci\u00f3n para poder ofrecer la misma salida de clasificaci\u00f3n con una imagen de entrada similar. En grandes rasgos, cuantas m\u00e1s im\u00e1genes se tengan para entrenar, m\u00e1s precisi\u00f3n se obtendr\u00e1 de la CNN en la clasificaci\u00f3n.\u00a0<\/p>\r\n\r\n\r\n\r\n

La gran ventaja de aplicar este tipo de t\u00e9cnicas al diagn\u00f3stico por imagen es que, al ser sistemas de aprendizaje autom\u00e1tico capaces de ajustarse a las caracter\u00edsticas significativas que tienen las im\u00e1genes en com\u00fan, no requieren del uso de sofisticadas t\u00e9cnicas estad\u00edsticas, o de otro tipo, que puedan emular el conocimiento que un erudito en la materia tiene sobre el tipo de imagen y diagn\u00f3stico que se est\u00e1 buscando, sin ser dependientes de condiciones de iluminaci\u00f3n, orientaciones, etc. Mediante el uso de una correcta base de datos con el n\u00famero suficiente de casos y variedad de los mismos, se puede entrenar un sistema de deep-learning, para que ofrezca un pre-diagn\u00f3stico, m\u00e1s la probabilidad de error de este prediagn\u00f3stico.<\/p>\r\n\r\n\r\n\r\n

El equipo proponente de este proyecto cuenta con experiencia previa en el desarrollo de sistemas CNNs para clasificaci\u00f3n de imagen tanto para aplicaciones m\u00e9dicas como de ingenier\u00eda [1] \u00a0. Gracias a las colaboraciones con el grupo VITRO S.A. se han comenzado a desarrollar las arquitecturas de CNNs m\u00e1s adecuadas para el diagn\u00f3stico por imagen en instrumentos robotizados de t\u00e9cnicas de hibridaci\u00f3n de ADN para diagn\u00f3stico de infecciones por virus del tipo HPV, Zoonosis, Sepsis, etc. [2]\u00a0<\/p>\r\n\r\n\r\n\r\n

PROMETEO se pretende validar el uso de esta teor\u00eda a la ayuda al diagn\u00f3stico de c\u00e1ncer mediante el an\u00e1lisis de imagen. Como demostraci\u00f3n de la eficacia del \u201cDeep-learning\u201d, en este proyecto nos vamos a centrar en el c\u00e1ncer de pr\u00f3stata y el an\u00e1lisis de imagen ser\u00e1 a partir de biopsia de tejido prost\u00e1tico obtenido por fusi\u00f3n de la punci\u00f3n con guiado radiol\u00f3gico. Generalmente, una vez realizada la biopsia, el pat\u00f3logo analizar\u00e1 la estructura celular del tejido en un plazo de entre 1 y 7 d\u00edas, dependiendo varios factores. Con la soluci\u00f3n que se plantea se pretende reducir considerablemente el tiempo de diagn\u00f3stico. Una vez validada esta t\u00e9cnica de \u201cDeep-learning\u201d, la cual podr\u00e1 ser extendida a la ayuda al diagn\u00f3stico de otros tipos de c\u00e1ncer, es objeto del proyecto dise\u00f1ar un equipo inform\u00e1tico, dotado de los aceleradores hardware necesarios, para que el diagn\u00f3stico pueda obtenerse en tiempo real (o con el retraso m\u00ednimo) para el pat\u00f3logo. Se pretende, igualmente, dar los pasos necesarios para la comercializaci\u00f3n del equipo a trav\u00e9s de la empresa de base tecnol\u00f3gica, y Spin Off de la Universidad de Sevilla, creada en 2014, denominada COBER S.L.\u00a0<\/p>\r\n\r\n\r\n\r\n

El proyecto se divide de las siguientes fases:<\/p>\r\n\r\n\r\n\r\n

1.<\/strong> Obtenci\u00f3n de la base de datos de entrenamiento. El equipo est\u00e1 actualmente en contacto con pat\u00f3logos de hospitales nacionales especializados en c\u00e1ncer de pr\u00f3statas para la creaci\u00f3n una base de datos para el entrenamiento de una CNN. Se est\u00e1 realizando una aplicaci\u00f3n software, para ser usada por los pat\u00f3logos, para que puedan localizar y marcar f\u00e1cilmente las zonas de tejido que muestran signos de c\u00e1ncer, as\u00ed como el tipo de c\u00e1ncer que se presenta en el tejido, siguiendo la escala de Gleason. Guardando las coordenadas marcadas por el pat\u00f3logo, la tipolog\u00eda detectada, as\u00ed como una referencia al archivo de imagen original; se puede automatizar la creaci\u00f3n de la base de datos de entrenamiento.\u00a0<\/p>\r\n\r\n\r\n\r\n

2.<\/strong> Dise\u00f1o y validaci\u00f3n de la CNN para detecci\u00f3n de c\u00e1ncer de pr\u00f3stata. Existen m\u00faltiples arquitecturas de CNN en la bibliograf\u00eda, las cuales se dise\u00f1an mediante t\u00e9cnicas de prueba y error, para ajustarse al problema planteado con el m\u00ednimo n\u00famero de recursos computacionales. Es decir, no existe hasta la fecha una receta para el dise\u00f1o de una CNN que se ajuste al problema a resolver minimizando los recursos. En esta fase se dise\u00f1ar\u00e1 una CNN de tama\u00f1o adecuado a nuestro problema, tomando de referencia trabajos previos similares, y se entrenar\u00e1n con la base de datos de la fase anterior. Posteriormente se validar\u00e1 la CNN. Para ello se har\u00e1n uso de las herramientas software disponibles como Caffe o Theano.\u00a0<\/p>\r\n\r\n\r\n\r\n

\"\"\r\n
Fig 1. Diagrama de bloques del funcionamiento del sistema inform\u00e1tico de la fase 3.<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n

3.<\/strong> Desarrollo de equipo inform\u00e1tico para ejecuci\u00f3n de la CNN sobre Whole Size Images de pr\u00f3statas en tiempo real o con latencias reducidas. Una vez se tenga el algoritmo CNN dise\u00f1ado y validado se dise\u00f1ar\u00e1 un equipo inform\u00e1tico tipo \u201cbarebone\u201d, dotado de una o varias tarjetas tipo GPU para aceleraci\u00f3n de la ejecuci\u00f3n de la CNN ya entrenada. Se desarrollar\u00e1, igualmente, una interfaz de usuario software amigable para su uso en entornos sanitarios. La figura 1 muestra un diagrama del ciclo de ejecuci\u00f3n del sistema inform\u00e1tico desde la obtenci\u00f3n de la imagen JP2000 hasta la obtenci\u00f3n del resultado de ayuda al diagn\u00f3stico. La imagen capturada de resoluciones 100Kx200K p\u00edxeles se divide en subim\u00e1genes de menor resoluci\u00f3n (1024×1024 p\u00edxeles) y que contengan tejido, y se procesan en el acelerador HW (basado en GP-GPU o FPGA) de acuerdo con la CNN de arquitectura elegida y debidamente entrenada. El resultado en forma de probabilidad se usar\u00e1 para graduar un mapa de colores de verde a rojo sobre la imagen inicial para indicar al pat\u00f3logo las zonas con sospecha detectadas.\u00a0<\/p>\r\n\r\n\r\n\r\n

4.<\/strong> Fase de pruebas y validaci\u00f3n en hospitales. El sistema dise\u00f1ado se llevar\u00e1 e instalar\u00e1 en varios hospitales para ser testados por los pat\u00f3logos y extraer estad\u00edsticas de tasas de \u00e9xito del sistema y de grado de satisfacci\u00f3n del personal sanitario.\u00a0<\/p>\r\n\r\n\r\n\r\n

5.<\/strong> Campa\u00f1a de presentaci\u00f3n, divulgaci\u00f3n y marketing del producto en hospitales p\u00fablicos y privados, as\u00ed como en ferias y congresos m\u00e9dicos, para comercializaci\u00f3n del sistema.<\/p>\r\n\r\n\r\n\r\n

[1] \u00a0 Alessandro Aimar, Hesham Mostafa, Enrico Calabrese, Antonio Rios-Navarro, Ricardo TapiadorMorales,\u00a0Iulia-Alexandra Lungu, Moritz B. Milde, Federico Corradi, Alejandro LinaresBarranco, Shih-Chii Liu, Tobi Delbruck. \u201cNullHop: A Flexible Convolutional Neural Network Accelerator Based on Sparse Representations of Feature Maps\u201d. arXiv:1706.01406v1<\/p>\r\n\r\n\r\n\r\n

[2] \u00a0 Juan P. \u00a0Dominguez-Morales, \u00a0A. Jimenez-Fernandez, S. \u00a0Vicente-Diaz, A. Linares-Barranco; A.\u00a0Olmo-Sevilla, and A. Fernandez-Enriquez. \u201cA Protocol Generator Tool for Automatic in-vitro HPV\u00a0Robotic Analysis\u201d. Springer. ROBOT-2017.<\/p>\r\n\r\n\r\n\r\n

Empresas colaboradoras:<\/strong>
COBER SL (http:\/\/www.t-cober.es\/<\/a>)
Grupo Vitro (http:\/\/www.vitro.bio\/<\/a>)<\/p>\r\n\r\n\r\n\r\n

IP:<\/strong> Alejandro Linares Barranco
Programa:<\/strong> PAIDI-2020. Transferencia
Funding by:<\/strong> Conserjer\u00eda de Econom\u00eda, Conocimiento, Empresas y Universidad
Start date:<\/strong> 01-02-2020
End date:<\/strong> 31-01-2021<\/p>\r\n\r\n\r\n\r\n

Researchers:<\/strong><\/p>\r\n\r\n\r\n\r\n