ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
INTELIGENCIA ARTIFICIAL APLICADA A LA ImAGEN mÉDICA.
REVIsIÓN DE TEmA.
ABSTRACT
Artificial intelligence encompasses a large spec-
trum of functionalities, among which the digital
image analysis stands out. Particularly this area, has
witnessed an exponential development during the
last decade, fueled by advances in deep learning.
Innovations that have had a direct impact on radio-
logy, where one of the main substrates represents
the analysis of images for diagnostic purposes.
The main objectives of artificial intelligence in ra-
diology, range from: assisting the radiologist, image
optimization, structure recognition, segmentation,
to the report’s transcription. All of them share a
wide potential in the specialty and therefore in
medicine, where the role of radiology is becoming
increasingly prevalent.
In this review, we will analyze recent publications,
articles of multidisciplinary works that have been
developed worldwide; as well as proven applica-
tions in radiology, based on artificial intelligence.
Key words:
Artificial intelligence- deep learning- radiology- auto-
matic lesion segmentation- radiologist
RESUMEN
La inteligencia artificial es una disciplina que comprende
un espectro amplio de funcionalidades, entre las que se
destaca el análisis de las imágenes digitales. Particular-
mente dicha área, ha tenido un desarrollo exponencial en
la última década fomentado por los avances en el deep
learning. Innovaciones que han repercutido directamente
en la imagenología, donde uno de los sustratos principales
representa el análisis de imágenes con fin diagnóstico.
Los objetivos principales de la inteligencia artificial abar-
can desde el auxilio al médico radiólogo, la optimización
de la imagen, reconocimiento de estructuras, segmenta-
ción de lesiones, hasta la transcripción del informe.
Todas ellas comparten amplio potencial de impacto en la
especialidad y por ende en la medicina, donde el rol de
la radiología es cada día más preponderante.
En esta revisión, analizaremos publicaciones recientes,
artículos de trabajos multidisciplinarios que se han desa-
rrollado a nivel mundial; así como aplicaciones probadas
en radiología, basadas en inteligencia artificial.
Palabras clave:
Inteligencia artificial- deep learning- imagenología- segmen-
tación automática de lesiones- radiólogo
INTRODUCCIÓN
La inteligencia artificial (IA) posee un sitial preponderante en
la imagenología, puesto que su sustrato principal es el análisis
de imágenes digitales. Esta disciplina se sigue desarrollando
en forma vertiginosa y viene traspasando la frontera del cam-
po experimental al uso clínico diario. Esto en parte a que
la asequibilidad de hardware cada vez más poderosos ha
permitido transformar en realidad múltiples proyectos, que
teóricamente, bajo los lineamientos convencionales informá-
ticos hubiesen sido muy difíciles de lograr. [1]
La IA se puede definir como el campo de estudio de los
dispositivos inteligentes, que son aquellos agentes definidos
como los que perciben su ambiente y toman acciones para
maximizar su chance de cumplir objetivos. El término “inte-
ligencia artificial” fue acuñado por John McCarthy en 1956
haciendo alusión a “la ciencia e ingenio de hacer máquinas
inteligentes”. Coloquialmente aplicaría cuando un dispositivo
mimetiza las funciones cognitivas que los humanos entienden
inherentes a las mentes humanas, como el aprendizaje
y la resolución de problemas. Lo que se comprende
como inteligencia artificial convencionalmente, en su
todo, engloba lo que refiera al desarrollo y diseño de
sistemas computarizados que intenten realizar una
tarea propia entendida culturalmente como propia
de los seres humanos (ejemplo: la resolución de
problemas). Representa el análisis formal y la teoría
detrás del comportamiento humano ante distintos
problemas. [2] Se basa en el análisis formal y estadístico
del comportamiento humano.
Es controversial el límite del campo de estudio de
la inteligencia artificial, en lo que concierne a qué
se define como inteligencia artificial (IA). A medida
que el campo de la informática ha avanzado; tareas
antiguamente consideradas como “requerientes de
inteligencia” se han ido removiendo de la definición
conforme se han asimilado mejor sus mecanismos y
Dres. Federico Aguirre
*
, Leandro Carballo
**
, Ximena González
***
, Verónica Gigirey
****
.
47
*Médico
Imagenólogo,
COMECA.
**Médico
Imagenólogo,
Ingeniero Biomédico,
FLENI.
***Prof. Adjto. Depto.
Imagenología, HC.
***Prof. Agdo. Depto.
Imagenología, HC.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
48
CLASIFICACIÓN
A groso modo, el machine learning posee dos grandes
subdivisiones; el aprendizaje no supervisado y el super-
visado. Nos centraremos en este último, de mayor interés
en nuestra especialidad:
El aprendizaje supervisado representa los postulados con-
vencionales de la IA sumado al desarrollo interactivo; es
decir, aprendizaje basado en modificaciones interactivas
en los sistemas de conexiones. El deep learning es un
método basado en supervisión que utiliza una arquitec-
tura específica que remeda una red neural. El poder de
esta técnica se basa en su escala y habilidad para auto-
máticamente extraer características relevantes frente a
un problema. En el pasado reciente, la construcción de
un sistema de inteligencia artificial convencional llevaba
mucho tiempo de inversión en la creación, producción y
corrección de algoritmos, y esto es lo que últimamente ha
cambiado, haciéndose cada vez más realizable.
El deep learning pone énfasis en la data que es brindada y
etiquetada al sistema. Permite que éste la digiera en redes
que arquitectónicamente se disponen emulando las capas
del córtex de los mamíferos, haciendo sus conexiones las
veces de interneuronas que enlazan las mismas. Por ejem-
plo, en los sistemas de reconocimiento facial generados,
muchas de las características que priorizan los sistemas son
similares a las del córtex visual de los mamíferos. La red,
sustrato del deep learning, se compone de distintas capas,
con interconexiones y una dirección en la que los datos
se propagan por cada capa con una tarea específica. [5]
sus problemas han sido formalizados.
Su utilidad en la imagenología se puso en boga debido
al desarrollo de la deep learning (aprendizaje profundo),
rama de la IA que se basa en el desarrollo de redes neurales
artificiales a las que se les “enseña” al brindar data y cuya
eficacia aumenta conforme aumenta su aprendizaje. [3]
Con el mejor desarrollo de los hardware, la mayor capaci-
dad de las unidades de procesamiento; muchos modelos
basados en deep learning comenzaron a demostrarse
más eficaces en lo concerniente al reconocimiento de
imágenes, que los basados en inteligencia artificial “con-
vencional”- no supervisada. El aprendizaje se realiza
basándose en datos empíricos y se centra en el estudio de
mecanismos adaptativos que permitan comportamiento
inteligente de sistemas cambiantes y complejos.
Los problemas o metas tradicionales que abarcan el campo
de la inteligencia artificial (IA), incluyen: razonamiento,
planificación, aprendizaje, procesamiento natural del
lenguaje, percepción y habilidad para manipular objetos.
Por algún motivo, de todas dichas funciones de la IA; el
reconocimiento de estructuras en imágenes digitales no
sólo ha de ser una prometedora herramienta; sino que
con el entrenamiento adecuado es considerablemente
mejor que el reconocimiento humano. Esto implica un
punto sensible en la imagenología; donde la inteligencia
artificial traerá cambios sustanciales en el rendimiento
y las formas de trabajar del médico radiólogo. Si bien
nuestra especialidad hoy día, es el arquetipo de que tan
lejos puede llegar la IA en la medicina, no es la primera
ni será la última de las alteradas.
Aunque es muy difícil especular a largo plazo en terreno
de la informática, sí lo podemos hacer en corto plazo; y
ya en ese panorama se prevé a la imagenología franca-
mente modificada por el uso de modelos y softwares de
IA aplicados a sus técnicas. Es por eso que en recientes
revisiones del American Journal of Radiology (AJR) se ha
postulado que a 10 años los radiólogos no serán sustituidos
por la inteligencia artificial, pero es muy probable que los
radiólogos que manejen inteligencia artificial comiencen
a sustituir a los que no la manejen. [4]
Figura 1
Mapa de la inteligencia
artificial-machine learning.
Comprende los subgrupos de
aprendizaje no supervisado
y supervisado. Dentro del
aprendizaje supervisado
está demarcado el grupo de
deep learning, en el que nos
adentraremos puesto que es
el que ha demostrado tener
mayor impacto en radiología.
47 - 58
En el deep learning se han suplantado los modelos con-
vencionales “ a mano” por las redes convolucionales. Las
redes convolucionales se usan para procesar imágenes.
Hoy en día existen grandes avances en sus funciones, para
detección de objetos y clasificación de imágenes en ge-
neral, ya que pueden aprender relaciones entrada-salida;
siendo la entrada una imagen y la salida una etiqueta. De
ahí la preponderancia que su desarrollo puede tener en
el campo de la radiología.
Se toma una imagen digital de un medio diagnóstico,
supongamos, formato DICOM. Dicha imagen será parti-
cionada en miles de trozos que cada neurona del sistema
analizará por separado. El sistema basado en aprendizaje
profundo, comprende la actividad de diversas capas, cada
una con sus funciones que irán priorizando y asignándole
pesos a cada característica de la imagen obtenida. Esa in-
formación se resume, se procesa y se brinda un resultado.
Profundizaremos los lineamientos generales que com-
ponen un sistema de deep learning, realizando una
analogía con las funciones cognitivas del humano en el
reconocimiento de imágenes. A grandes rasgos debemos
saber que cualquier sistema basado en deep learning
comprende unos 5 niveles. El nivel primero de input o
aferencia, la capa de convolución, activación, el pooling
y la interconexión. [6] Reseñaremos cada nivel, cual di-
sección, haciendo alusión al paralelismo con la estructura
o función biológica que representa.
DISECCIÓN DEL DEEP LEARNING
LAS REDES CONVOLUCIONALES
La imagen- la aferencia: La imagen radiológica que quiero
analizar no es más que un conjunto de vóxeles o píxeles
con distintas intensidades que se representan en la escala
de unidades Hounsfield. Este material representaría el
input, es decir la aferencia. Cada vóxel llegará a una neu-
rona, que reproduciendo nuestro modelo humano haría
las veces de una célula del córtex visual. Cada neurona del
modelo tiene un valor numérico asignado y cada unión
entre las mismas representa un peso. Los pesos, parodian
las conexiones de las interneuronas, puesto que conectan
neuronas en distintas capas y representan la fuerza de la
conectividad. Cada neurona tiene varias entradas y múl-
tiples salidas. Como veremos más adelante, la neurona
está determinada por pesos y no linealidad; cada entrada
se multiplica en función de un peso sináptico.
Las “neuronas” y su rol- las redes feed-forward: Las redes
feed-forward, son la unidad básica funcional de los siste-
mas deep, capaces de aprender relaciones entrada-salida
a partir de infinitos ejemplos. Se forman de muchas
neuronas simples interconectadas entre sí.
Es decir, en este campo de redes enlazadas, el objetivo de
las redes será activarse para determinar una respuesta o
output, que será posible a través de funciones no lineales.
Es decir, las respuesta se basarán en funciones que no
implican necesariamente sumas simples, sino más bien
modelos de multiplicaciones matriciales.
Figura 2
Podemos apreciar el primer nivel de neuronas que
reciben la aferencia, las cuales envían una señal
(sinapsis) a otra capa de neuronas que pondera la
información según las características deseadas. Una
red de interneuronas “ocultas” basadas en modelos
no-lineales, determinan una nueva respuesta
en función de los pesos recibidos que en última
instancia dará con un output o resultado.
Las redes arquitecturales para una aplicación específica no
son siempre tan obvias. Existen capas de “redes ocultas”
que tienen neuronas que tienden a superar en número a
las neuronas que procesan el input o output. Estas redes
ocultas son las encargadas de procesar la información,
haciendo sopesar las distintas probabilidades de a qué
puede corresponder una imagen. Poniendo un ejemplo,
si uno quisiese procesar una imagen de una tomografía de
cráneo para que un modelo determine si hay hemorragia
o no; para el output o resultado final, necesitaremos dos
capas de neuronas que me determinen: “hemorragia si” o
“hemorragia no”. Sin embargo, para llegar a ese resultado
INTELIGENCIA ARTIFICIAL
APLICADA A LA IMAGEN MÉDICA.
REVISIÓN DE TEMA.
49
ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
50
final, se debe pasar por un número de redes mayores
que van determinando las características enseñadas para
interpretar la existencia de hemorragia.
La arquitectura de interconexiones neurales- redes con-
volucionales: El traspaso de la industria de la radiología,
de pensar en términos de redes simples a redes convo-
lucionales fue muy importante; *9+685ya que, en los
modelos de redes simples, los pesos se hacen demasiado
fuertes para analizar una imagen estándar. Por ejemplo,
sólo con imágenes de matrices típicas de 256 x 256, que
equivaldrían a 65,536 vóxeles; en una pasada de 1 corte,
más de 4 billones de pesos se requerirían para imple-
mentar una sola capa enteramente conectada. Las redes
convolucionales calzan justo a la imagenología, porque en
lugar de estas conexiones completas se aplican pequeños
kernels o núcleos que ayudan a disminuir los pesos reque-
ridos, por ende, la complejidad del sistema. Los kernels
son pequeñas unidades, resúmenes que constituyen una
parte fundamental del sistema operativo al aplicarse a
cada imagen ya que determinan la posición de la imagen
para determinar el valor de la siguiente capa. En otros
términos, emulan la abstracción, tratando de resumir,
esconder la complejidad de la imagen; proporcionando
una interfaz limpia y uniforme, facilitándose el uso del
programa. Este proceso mimetiza la fórmula matemática
de la convolución, de ahí su nombre.
Figura 3
Representación esquemática de la operación matemática convolución, la
base operacional detrás de las distintas aplicaciones de reconstrucción que el
radiólogo utiliza a diario.
En este ejemplo demostrativo se agrupan píxeles o vóxeles de una imagen, con
distintas densidades que en este caso se promedian. Las convoluciones, no
necesariamente implican medias como en éste figura; también son la base detrás
de las reconstrucciones de máxima intensidad (MIP) o proyecciones de mínima
intensidad (mini IP). En dichos casos, se agrupan un conjunto de vóxeles de la
imagen cruda multiplanar; obteniéndose como resultado una imagen con los
vóxeles de densidad máxima de una región o los vóxeles de densidad mínima de
una región, respectivamente.
Las imágenes de recuerdos que guardamos en nuestra
memoria y su verdadero vínculo con las imágenes ob-
tenidas en vida real, han sido campo de estudios por
investigadores que postularon los principios denominados
del “modelo cuadrático convolucionado”. [6] Sería impo-
sible fijar en la memoria cada milisegundo de percepción
de nuestras vidas con cada “píxel” o detalle de nuestra
imagen visualizada. La convolución, en este caso, es una
operación que tendría correlato con lo que naturalmente
realizaríamos los humanos y nos permitiría reservar recuer-
dos de imágenes, mediante un promedio de píxeles con
pesos asociados a una vecindad establecida. Es decir, en
término fotográficos, aplicaríamos una máscara a nuestra
percepción o aferencia visual que llega a nuestro córtex;
resumiéndola en un formato compatible para guardarla
a corto o largo plazo.
La educación del sistema- plasticidad neuronal: Cómo
mencionamos la veta esencial en los modelos deep lear-
ning se corresponde al entrenamiento. Tan es así, que, si
disecáramos el cerebro de un sistema de procesamiento
de imágenes, encontraríamos que el 50%-60% de las neu-
ronas están abocadas al entrenamiento, con un restante
30-40% y 10% aproximadamente, que se utilizan para
validación y testeo respectivamente.
El sistema se debe entrenar y probar con un conjunto
de datos; dónde cada uno representa una entrada y una
47 - 58
salida. Los datos forman parte de tres grupos:
El conjunto de datos de entrenamiento: permiten obtener
los pesos de una red dada, calibrar los parámetros.
Los datos de validación: permiten comparar el desempeño
de las distintas arquitecturas de red; lo que se conoce como
el ajuste de hiperparámetros.
El conjunto de datos de prueba: permite estimar el des-
empeño de la red en datos futuros, el mejor modelo es
probado aquí.
El sistema es entrenado y la eficacia del método va en au-
mento. A mayor cantidad de casos, de imágenes, mayor la
experiencia del modelo. [7]
Un imagenólogo experiente, vastamente entrenado, es
probablemente más capaz de diagnosticar con precisión
los signos de isquemia precoz en una tomografía de cráneo
frente a un imagenólogo residente en su primer año de curso.
Esto se debe a que para una misma tarea, el imagenólogo
experiente ha logrado “tejer” redes que funcionan con mayor
eficacia y velocidad, por concepto de repetición espaciada
de sinapsis. Estos cambios de neuroplasticidad, que hacen
la educación y experiencia, afinan la funcionalidad de de-
terminadas redes, así como también el número de neuronas
potencialmente involucradas en dicha tarea. Permiten que
uno ejecute una función con menor error.
Data augmentation- entrenamiento de las redes: si un
modelo de deep learning se entrena en pocos ejemplos;
su capacidad de predicción será mala. Antes de comenzar
el entrenamiento, es necesario elegir los pesos iniciales. Es
decir, el valor de cada neurona; que estará dado en función
del número de entradas. Una vez asignados los pesos de cada
neurona se comienza a planificar la educación del modelo,
fase conocida como entrenamiento. En primer lugar, debo
contar con un conjunto de “datos de entrenamiento”, éstos
serán de suma importancia, pues moldearán los parámetros
de las redes. Cuántos más casos cargue como entrena-
miento, mayor la eficacia del modelo. Los casos se usan
para entrenar modelos. En un principio, las predicciones
serán pobres. conforme aumenta el número de casos,
aumento la eficacia del modelo.
Aparte del pool de casos de entrenamiento, existen
ciertos métodos que ayudan a mejorar la eficacia
independientemente del n recolectado. Es el proceso
conocido como data augmentation en el cual, provo-
cando simples variaciones que emulen errores artificia-
les, puedo entrenar al sistema con un mismo caso en
distintas oportunidades. Una de las formas principales
consiste en hacer rotar en distintos ángulos a la misma
imagen, o cambiarla de posición dentro de un mismo
campo; y eso determina que el sistema aprenda a
reconocer el objeto de estudio independientemente
de su posición por ejemplo. [7] Esto es de crucial im-
portancia en el reconocimiento visual de tomografías
o radiografías. En estudios experimentales del campo
de la radiología pediátrica, respecto al diagnóstico de
edad ósea; radiólogos hallaron que la alineación de
una misma imagen en distintos ángulos determinaba
cambios significativos en la predicción, si el sistema
no había sido correctamente enseñado respecto a eso.
Lo mismo podría aplicar, si hacemos que la imagen
diagnóstica se encuentre en distintas posiciones del
FOV (field of view).
Podemos definir entonces al data augmentation como
el método que mejora la performance del pool de data;
enseñándole además a prevenir fallos independiente-
mente de la dirección respecto a un plano x-y, o una
imagen ligeramente estrechada o ensanchada. Pero,
por contrapartida, debemos tener en cuenta que estos
métodos requieren de un equilibro. Si abuso de “ense-
Figura 4
Representación esquemática, de una red neural estándar a izquierda con todas las posibles
combinaciones entre las capas de neuronas e interneuronas.
A derecha, luego del “dropout” autogenerado por el entrenamiento del sistema, proceso que
remeda la plasticidad neural. Como podemos apreciar, se simplifica la comunicación entre redes
eliminándose vías de nula o escasa utilización durante el aprendizaje.
INTELIGENCIA ARTIFICIAL
APLICADA A LA IMAGEN MÉDICA.
REVISIÓN DE TEMA.
51
ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
52
ñar” excesivamente un mismo caso al modelo, en todas
las potenciales variantes que se me ocurran en cuanto a
cambios en dirección, posición, etc; corro el riesgo que el
modelo fije disfuncionalmente dicho caso, siendo génesis
de errores de concepto. Este eventual error del sistema
de deep learning es conocido como overfitting, y refiere
a que el modelo toma ciertas variaciones aleatorias del
caso como propias, determinando un ruido que impacta
en forma negativa para el modelo cuando tome nueva
data. En contraposición, el underfitting refiere a la escasez
de entrenamiento con la data recolectada el modelo. La
problemática de ambos problemas de entrenamiento,
se da en que a ciencia cierta es díficil establecer cuando
un modelo está sufriendo problemas de over o de un-
derfitting; si bien, éstos últimos pareciesen ser los más
fácilmente solucionables.
La regularización del modelo deep learning- el entre-
namiento: Los postulados de la regularización consisten
en minimizar una función de pérdida. El aprendizaje no
sólo se hace de la reiteración de patrones de activación
que posibilita una reestructuración de ciertas conexiones
“sinápticas” sino que también de la debilitación de las que
no se usan o se utilizan menos. Cierra entonces por com-
pleto el modelo iterativo remedando también el olvido o
debilitamiento de las sinapsis de capacidades raramente
usadas. Se trata de agregar términos extra a la función de
pérdida. Permite mejorar la capacidad de generalización.
Un porcentaje de las neuronas se desconectan en cada
iteración del entrenamiento. Es así como se mejora la
generalización de la red.
Lo interesante del asunto radica en que al ir pasando el
conjunto de datos de entrenamiento varias veces por el
modelo (looping), voy también aumentando la eficacia
del mismo ya que reafirma sus aciertos y fija sus errores.
Esto parte de la base que yo conozco de antemano el
output o gold standard de los casos que pretendo el sis-
tema me resuelva. Mediante las iteraciones se reforzarán
los aciertos y se penalizarán los errores. Esto podremos
cuantificarlo literalmente en un coeficiente denominado
“cost function”, un indicador que desnuda que tan cerca
el modelo está de la realidad de base, es decir el índice
de correlacionamiento entre x con y. Este valor de cost
function intentaré llevarlo a lo más bajo posible, mediante
las sucesivas iteraciones. Y así será como monitorizaré en
un principio la eficacia de mi modelo durante el entrena-
miento, partiendo de una base o status quo con alto error,
que mejoraré luego de varias reiteraciones destinadas a
disminuir el mismatch o porcentaje de error.
Una vez que se ha optimizado el modelo, hay ciertos
hiperparámetros que debo ajustar. El ajuste de estos pará-
metros es la segunda parte del entrenamiento, y es lo que
se denomina la fase de validación. Es menester proponerse
un valor adecuado de cost function como meta, el cual
cómo decíamos debe ser bajo si pretendo un modelo de
predicción. Para el terreno de la radiología, usualmente
se utiliza como error la raíz de la media cuadrática entre
lo predicho, las imágenes de referencia y los índices de
similitud. [8]
APLICACIONES DE IA EN RADIOLOGÍA
El espectro de aplicaciones es sumamente alto, y es
obvio que a mayor complejidad de la tarea, más lejos
se está de obtener resultados avalados por la evidencia
compatibles con una labor asistencial a escala global.
De menor a mayor complejidad, podemos enumerar las
cuatro grandes áreas objetivos de la inteligencia artificial
en la imagenología:
1) Funciones de asistencia del trabajo del radiólogo.
2) Optimización de la técnica radiológica.
3) Segmentación y detección de lesiones.
4) Diagnóstico basado en imágenes.
Estas cuatro áreas objetivo de IA en el trabajo del radiólogo
están formadas de realidad y proyecciones que no han
visto luz fuera del campo experimental. La importancia
del crecimiento en estas áreas no hay que comprenderla
exclusivamente desde la lógica de contraparte o amenaza
en el mercado laboral del médico radiólogo, sino como
una alternativa. Es complemento al trabajo rutinario del
imagenólogo; en cuanto a los aportes de conocimiento
que nutrirán la especialidad y como fin último, irán en
pos de una evolución en calidad diagnóstica. Es decir, una
más correcta asistencia del paciente mediante diagnósticos
más certeros.
Cómo apreciamos, las áreas son diversas, desde la indica-
ción del estudio por los clínicos, la mejora en la calidad de
las imágenes, la reconstrucción de volúmenes, la detección
de lesiones sospechosas, el análisis diagnóstico, llegando
hasta la meta máxima que sería la transcripción de un
informe en forma automática a partir de la obtención
del estudio. Y existen trabajos que aplican tanto para
tomografía computada (TC), resonancia magnética (RM)
y tomografía por emisión de positrones- PET.
1) Funciones de asistencia del trabajo del radiólogo.
Las potenciales aplicaciones en los campos de la radiología
comienzan desde la indicación del estudio. Luego que un
estudio se solicita, deben aplicarse ciertos protocolos y una
planificación específica, en cuanto a decidir si el estudio
debe o no llevar contraste, y en qué secuencias o fases
adquirir acorde al dato clínico. Cuestiones tales como la
búsqueda de creatininemia reciente, datos patronímicos,
antecedentes relevantes, atopías, intervenciones previas
y cuadro actual; comprenden la mínima y mandatoria
anamnesis del estudio radiológico. Dichas indagaciones si
bien pueden llevar cuestión de minutos para cada paciente
a estudiar, en el global; determinan pérdidas de tiempo
consistentes. Éste tema no ha escapado de la vista para
los sistemas de salud que funcionan a escala industrial, y
son basados en seguros altamente sensibles a los gastos
dependientes en tiempos del profesional imagenólogo.
El objetivo de estas aplicaciones podemos englobarlos en
la construcción de un puente electrónico a disposición del
médico imagenólogo y técnico, que permita resumir una
historia clínica electrónica; destacando los datos relevantes
y sugiriendo una planificación específica de estudio para
47 - 58
dar información de interés tanto al clínico, al técnico y al
médico radiólogo.
La ventaja en esta primer área de asistencia al trabajo
del imagenólogo podemos encontrarla en que ya existen
un montón de herramientas para la compresión de texto
desarrolladas originariamente para otros fines, que permi-
ten clasificar y priorizar información relevante, de entre
muchos datos; con una rapidez inusitada y un margen de
error menor al humano. En la actividad diaria sabemos
que no es infrecuente la omisión de detalles de interés en
las historias personales de los pacientes, sobre todo con
antecedentes clínicos relevantes y tendencia al multi-es-
tudio. Estos desarrollos podrían dar una gran ventaja a las
grandes organizaciones mutuales, no sólo desde el punto
de vista logístico reduciendo tiempos de adquisición entre
pacientes, sino también previniendo errores aliterativos.
Mejorando la interpretación de cada historia, se buscarían
solicitudes más adecuadas y un outcome asistencial de
más efectos positivos para el usuario.
2) Optimización de la técnica radiológica.
Las bases de los métodos de deep learning pueden uti-
lizarse en la mejora de la performance de los algoritmos
de reconstrucción y la calidad de imagen. Los marcos de
trabajo del deep learning son capaces de “entender” los
principios de la reconstrucción en tomografía y resonancia
magnética.
Todos los conjuntos de datos virtuales crudos de cada
técnica radiológica, son pasibles de procesamiento por
modelos de deep learning que eventualmente mejoren
la calidad de la imagen. Del año 2015 a esta parte, ha
tomado relevancia la cantidad de estudios multidiscipli-
narios que buscan encontrar relaciones entre distintas se-
cuencias de resonancia magnética. Modelos que basados
en IA, con datos de una secuencia a adquirida ayudan a
“predecir” información para una secuencia b por adquirir.
La importancia de lograr esto radicaría en maximizar los
tiempos de estudio de un paciente en resonador, en pleno
apogeo de secuencias que día a día surgen para distintas
indicaciones clínicas.
Un ejemplo muy representativo lo ha llevado a cabo
un grupo de ingenieros y médicos en Munich, que han
estudiado la composición de las imágenes de difusión
en resonancia, mediante una gran base de datos de pa-
cientes. Han intentado delimitar una suerte de relación
estadística entre secuencias clásicas y difusión, delineando
la curtosis, la dispersión de la relación entre las distintas
imágenes. Mediante redes convolucionales, y basados
en principios de anisotropía, han tallado un modelo que
permite ayudar a predecir una imagen de difusión con
bastante rendimiento, requiriendo menos data points, es
decir menor censo de las señales por parte del equipo,
lo que se traduce en menos tiempo de adquisición en el
marco de una secuencia que alarga significativamente el
estudio. Esto llevado a la práctica es un hecho no menor, si
tenemos en cuenta tiempos de anestesia a los que deben
someterse pacientes complejos, graves, que no cooperan;
o incluso pacientes pediátricos. [9]
Uno de los conceptos tal vez más incomprendidos incluso
por los propios protagonistas en la radiología en general,
es el del espacio k. Éste refiere al conjunto de datos o
información captada, que mediante un proceso mate-
mático complejo (la transformada de Fourier), se deviene
en forma estandarizada como resultado final, en una
imagen contrastada en escala de grises. Hoy día existen
trabajos que combinan los modelos de deep learning para
el relleno y procesamiento del espacio k en resonancia
magnética, mejorando la calidad de imagen y aumentando
la velocidad de adquisición.
También dentro del campo de la optimización técnica
de la imagen en resonancia, se encuentran procesos que
basados en metodologías similares, intentan simular imá-
genes de 7 Tesla, obtenidas en equipos de 3 Tesla. [10]
Otro concepto prometedor que implicaría a su vez un
eventual desarrollo en TC, en forma análoga, es la trans-
cripción de una fórmula cercana a la relación de no-linea-
lidad entre las imágenes de un mismo estudio en baja y
alta resolución. Equipos colaborativos entre universidades
chinas y americanas, han logrado desarrollar un modelo
acercado a una aproximación matemática de dicha rela-
ción. Utilizan modos que permiten mejorar los ruidos y
artificios de las imágenes de baja resolución, con mejor
rendimiento que técnicas convencionales. Inspirados en el
uso protagónico de las redes convolucionales en el deep
learning, éste modelo ha sido aplicado preferentemente
a TC y ha arrojado como conclusión constituir un pilar
conceptual importante para estimular los modelos en baja
dosis. En este caso, no sólo contaríamos con la ventaja de
mejorar una imagen potenciando los recursos técnicos y
físicos disponibles; sino que también estaría el beneficio
latente de evitar más cantidad de radiación innecesaria
a los pacientes. [11]
3) Segmentación y detección de lesiones.
El leitmotiv del radiólogo gira en torno a la segmentación
de estructuras anatómicas y delimitación de lesiones o
aéreas patológicas. En el presente, las principales metas
de la IA se encuentran volcadas y en pleno apogeo a que
los sistemas comprendan las imágenes visualizadas de un
estudio y diferencien lo sano de lo patológico. El deep
learning se ha mostrado sumamente adecuado respecto a
procesos en los que se le enseña a delinear una estructura
anatómica normal o lesión, “dibujando” sus contornos
digitalmente.
APLICACIONES ACTUALES EN RADIOLOGÍA
a) Detección de micro hemorragias y hemorragias
cerebrales
Representa una de las tareas que por su frecuencia es muy
relevante en el contexto de estudios de resonancias de
cráneo, en pacientes con comorbilidades cardiovascula-
res o de otro tipo. Su detección, es un proceso laborioso
realizado en forma manual por el radiólogo, que en el
global, consume un tiempo no insignificante. Existen varios
trabajos en la formación de herramientas que permitan
la detección automática de hemorragias cerebrales, este
INTELIGENCIA ARTIFICIAL
APLICADA A LA IMAGEN MÉDICA.
REVISIÓN DE TEMA.
53
ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
54
reviste de importancia, no solo en el auxilio diagnóstico
al médico radiólogo; sino también como eventuales siste-
mas de “triage”, dónde al detectarse sangrados en forma
automática se priorizaría la lectura del caso patológico en
la cola de estudios.
Un estudio mul-
tidisciplinario chino, posee
conclusiones positivas, res-
pecto a un sistema creado
para detección y cuantifi-
cación automática de micro
hemorragias que analiza los
volúmenes de resonancia,
mejorando por amplio mar-
gen la performance respecto
a otros métodos asentados
en análisis 2D. Se logró una
alta sensibilidad de detec-
ción automática de micro-
hemorragias, estipulada en
93.16%; con un promedio
de apenas 2.74 falsos positi-
vos por paciente. [12]
Figura 5
Imágenes de resonancia magnética, cortes axiales:
se observa un gran hematoma intraparenquimatoso
parieto-occipital, subcortical, izquierdo. Presenta densidad
heterogénea a expensas de sectores dispuestos de distinta
intensidad, en relación a sangrado en diferentes estadíos.
En la secuencia de susceptibilidad magnética (a derecha),
se identifican múltiples lesiones de ‘pérdida de señal’,
en ambos hemisferios, de disposición cortical, sustancia
blanca y subependimaria. Estas imágenes si bien no
patognomónicas, son altamente sugerentes de patrón
de microsangrados por angiopatía amiloide, entidad
característica de pacientes añosos que a menudo asocia
hematomas lobares. Cortesía Dr. Matías Negrotto.
b) Segmentación de lesiones isquémicas
El objetivo de segmentación y detección de patología is-
quémica mediante IA, no debe considerarse livianamente
supeditado a un mero juicio u “opinión” virtual. Es una
herramienta que en su buen uso, mediante el adecuado
aval de evidencia puede auxiliar la toma de decisiones
terapéuticas. Se puede colaborar en el consenso de accio-
nes, en terrenos que son muy laxos y que si bien tienen
pautas y protocolos basados en evidencia, presentan al
momento de acción; un amplio espectro de variabilidad
interpersonal.
Se entrenaron redes convolucionales para predecir el
resultado de uso de fibrinolíticos en el ACV agudo. Para
ello, con una base de datos algo mayor a 200 pacientes
con ACV agudo, se contrastó aquellos en los que se usó
rTPA (84%) versus aquellos en los que no. Las redes fueron
enseñadas para cada caso, con las imágenes en agudo de
las resonancias en secuencias de difusión/ADC, FLAIR y
mapas de perfusión. Se estudiaron las imágenes de cada
paciente al momento de llegada a emergencia y en el
control evolutivo, tanto en el grupo de pacientes que ca-
lificaron para revascularización endovenosa como en los
pacientes que no. Lo que el modelo intenta, es predecir
según la información visual que recaba, el tejido poten-
cialmente salvable (área de penumbra) y el tejido que ya
no será pasible de recuperación (área de infarto). [13]
Los resultados fueron muy prometedores, al demostrar
que las redes convolucionales basadas
en deep learning tienen una performance sustancialmente
buena para predecir el volumen de infarto potencialmente
reducido de mediar tratamiento con rTPA. Tal es así, que
dicho trabajo, publicado en 2018 en la sección de stroke
en el journal de la AHA (American Heart Association)
representa uno de los puntales en el estado de arte de
los protocolos diagnósticos del ACV.
Se piensa que se podría avanzar algún paso más en virtud
de la compleja calificación de los pacientes para revas-
cularización en ACV agudo. Tener una herramienta que
establezca con mayor certitud una predicción del bene-
ficio de un tratamiento, permitiría solapar ambigüedades
inter-observador y subjetividades más allá de la propia
experiencia del médico tratante. No implicaría una susti-
tución per se, de los escores avalados por la evidencia ya
existentes, sino más bien un afinamiento en su modalidad
de aplicación.
c) Segmentación tumoral y RADIOMICS
Existen múltiples software que permiten segmentar las
distintas estructuras de las imágenes digitales, ya sea en
forma automática o manual. Los radiólogos pueden entre-
nar sistemas en el aprendizaje de estructuras anatómicas,
sus variantes y lesiones.
La importancia de encontrar un sistema capaz de segmen-
tar lesiones intraparenquimatosas radica en su utilidad
diagnóstica, como eventual planificación quirúrgica y
47 - 58
Figura 6
Gráfico obtenido de una perfusión-TC mediante
software ‘RAPID’ en paciente con stroke.
Estos datos cuantificables son sustrato de
procesamiento en los sistemas deep learning. En el eje
de las ordenadas, vemos como aumenta y disminuye
la densidad del parénquima en unidades Hounsfield a
medida que en el eje de las abscisas, se representa el
tiempo de pasaje del bolo de contraste. Las imágenes
en conjunción con los datos escaneados a partir
de una adquisición de perfusión son pasibles de
recopilarse en modelos DL, de los cuales se pueden
inferir estadísticas y generar modelos de predicciones
a través de los controles.
control de respuesta.
Con la recopilación de los datos y el uso de IA, se han
generado marcos de referencia para estimar la probabili-
dad de progresión lesional luego del tratamiento, con el
fin de poder predecir un outcome que auxilie la toma de
decisiones del equipo oncológico. [14]
Es importante destacar el papel de Radiomics para el estu-
dio de lesiones en análisis de imágenes general. Podríamos
definir Radiomics como el método que extrae información
numérica de las imágenes médicas. Es una herramienta
que permite trazar mapas a partir de una imagen, hacién-
dolos pasibles de análisis para procesados de Big Data. Es
decir, una manera de caracterizar en forma cuantitativa y
específica los fenotipos radiológicos.
Las imágenes están formadas una matriz que comprende
una escala amplia de coordenadas e intensidades, donde
se confieren texturas, a menudo no objetables por el ojo
humano. Aquí radica el valor agregado del análisis numé-
rico a partir de imágenes. Nos puede permitir no sólo me-
jorar nuestra precisión en diagnósticos; sino aportar mayor
información, cuantificarla y abrir el horizonte diagnóstico.
Aers y colegas, en 2014; realizaron el primer estudio a
gran escala basado en Radiomics, a partir de cohortes de
pacientes con tumores pulmonares y de la esfera otorri-
nolaringólogica. Al analizar imágenes de tumores y su
respuesta a tratamiento, pudieron colectar parámetros de
texturas en la heterogeneidad intratumoral; que auxilian a
predecir el outcome mediando tratamiento. [15]
También existen múltiples experiencias respecto a las
lesiones encefálicas ocupantes de espacio, y precisa-
mente los tumores, que tienen un espectro amplio de
presentaciones; aún perteneciendo a una misma estirpe
anatomopatológica. Cuando los tumores son de grados
agresivos, poseen realce variable, bordes irregulares y
una heterogeneidad de intensidades intrínseca que puede
estar supeditada a fenómenos patológicos como necrosis.
Estos hechos determinan que en el global exista dificultad
para una delimitación manual, aparte de ser una actividad
que consume un tiempo significativo; ha demostrado
presentar variabilidades no sólo en nivel interpersonal
sino también intrapersonal. [16] El análisis de texturas
y características imagenológicas mediante estas nuevas
herramientas, permitirá ajustar, unificar y perfeccionar los
diagnósticos y la formación de pronósticos. [17]
d) Detección de nódulos pulmonares por IA y análisis
automático de radiografías de tórax
El cáncer pulmonar es la causa principal de muerte onco-
lógica a nivel mundial. El manejo diagnóstico del nódulo
pulmonar es un pilar fundamental en el escenario de su
estudio. El sistema de servicios preventivos de Estados
Unidos ha concluido con un nivel de evidencia B: la
recomendación de realización de tomografía de tórax de
baja dosis, como screening de cáncer pulmonar, en sujetos
con factores de riesgo considerables. [18]
El problema estelar que está abordando la IA en este tema
clásico de la radiología, es de intentar reducir los altos
falsos positivos que se vinculan a los métodos convencio-
nales. Hasta ahora, la cadena desencadenada de costos
por estudios y pruebas diagnósticas (a veces invasivas) a
las que llevan los falsos positivos; no ha logrado verter la
balanza de riesgo/beneficio en favor de justificar con un
nivel de evidencia universal qué población específica se
beneficiaría del screening TC.
Si bien hoy día, y luego de años de discusión no existe
consenso universal sobre en qué pacientes realizar TC
de screening es probable que cada día aparezcan más
protocolos con evidencias más robustas a favor de cuándo
INTELIGENCIA ARTIFICIAL
APLICADA A LA IMAGEN MÉDICA.
REVISIÓN DE TEMA.
55
ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
56
estudiar pacientes asintomáticos. En la medida que más
estudios de este tipo, se vuelquen a favor de la realización
de TC de baja dosis, será un desafío para el trabajo cotidia-
no del radiólogo, puesto que aumentará significativamente
el caudal de pacientes a estudiar.
La sensibilidad de algunos modelos entrenados con el
data-set de LUNA Challenge, ha tenido resultados tan
prometedores, estimados en una detección del 99.2%,
con una especificidad de 99.1%. [19]
Figura 7
Corte axial de tomografía de tórax que evidencia nódulo
pulmonar, sólido, subpleural, espiculado, de características
sugestivas de agresividad, en paciente con un parénquima
pulmonar enfisematoso. La histopatología fue compatible
con adenocarcinoma (ex carcinoma bronquiolo-alveolar).
Estos nódulos, según su tamaño y características
radiológicas, serían altamente pasibles de ser detectados
en forma automático por sistemas de IA (con rendimiento
cercano a 100%). El desafío real de la IA, se encuentra
en aquellos nódulos de tamaños más pequeños y con
características menos prominentes para orientarse a baja o
alta agresividad.
Aparte de los avances en el estudio tomográfico de tórax,
existen múltiples modalidades de auxilio diagnóstico ba-
sado en IA, para radiografías de tórax. Están abocadas no
sólo a la detección de patología pulmonar de valor para
el informe del médico radiólogo; sino que van un paso
más allá en la lectura, para el apoyo de situaciones coti-
dianas de las radiografías que se realizan en la urgencia y
necesitan lectura inmediata del médico tratante. Muchos
de estos programas están buscando validación de la FDA
y ya poseen licencias en Unión Europea y otros países del
mundo donde se permite su uso como auxilio diagnóstico
complementario. Tal es el caso de la herramienta ChestEye
que permite diagnosticar radiografías patológicas de tórax,
mediante sistema de ‘triagge’, donde las eventuales enti-
dades urgentes se indican como alta prioridad (ejemplo:
neumotórax) y patologías como nódulos pulmonares se
etiquetarían como de mediana prioridad. Aparte de altera-
ciones, mediante mapas de calor, se segmentan en forma
automática los dispositivos que puede poseer el paciente,
como son catéteres de vía venosa central, intubación
endotraqueal, cardiodesfribilador, etc.
Estos avances en IA, relativos al análisis de técnicas de
una imagen bidimensional, no volumétricas; como son
las radiografías de tórax, por su relativa menor comple-
jidad; se están utilizando en varios servicios del mundo
y constituyan probablemente los primeros software con
los que convivamos.
ChestEye Devices: Central Venous Catheter: Superior
Vena Cava Intubation: Correct Position
Webapp link
Copy CAD report to clipboard
Figura 8
Radiografía de tórax, enfoque de
frente; realizada en cama, de paciente
en cuidados intensivos Sanatorio
COMECA, ciudad de Canelones.
Análisis mediante herramienta
“ChestEye Devices” basada en IA.
Se delimita en mapa de calor en
rojo, la proyección del catéter de vía
venosa central; así como el tubo de
intubación endotraqueal, en este caso
correctamente colocados.
47 - 58
e) Inteligencia artificial en imagenología mamaria
La imagenología mamaria es una subespecialidad con
primordial uso de screening, aunque en este caso, a escala
universal; es por ello, que también cobra relevancia el au-
xilio diagnóstico mediante inteligencia artificial. Décadas
atrás, el CAD (software Image Checker M1000) emergió
en como el primer sistema de un auxilio electrónico
asistencial, no basado en IA, para el reconocimiento de
patrones lesionales.
Con el auge de la tomosíntesis, sistemas específicos de
CAD basados en deep learning (iCAD) han vuelto a
emerger, y también se planean en otras técnicas como
CONCLUSIONES ACERCA DEL USO DE DEEP LEARNING EN RADIOLOGÍA
Si bien, en informática es difícil especular sobre el impacto a largo plazo de los desarrollos digitales en
el trabajo humano; sí se puede establecer con cercana exactitud a corto o mediano plazo. Las posturas
fatalistas que surgen del seno de la radiología, respecto al deep learning y sus avances, nacen de la
amenaza implícita que sugiere, (como todo avance de la era digital) la suplantación del hombre por
la máquina. Si bien es muy improbable, o al menos estamos lejos, de la suplantación del radiólogo
por sistemas basados en IA; se piensa que en un no muy largo plazo, los radiólogos que conozcan y
sepan utilizar IA sustituirán a los que no.
Transitamos el inicio de una encrucijada en la radiología. Con el avance vertiginoso en técnicas diag-
nósticas, el futuro de nuestra labor parece encaminado a la detección meticulosa que ofrecen los
avances tecnológicos. Pero es preciso entender que paradójicamente ese terreno de la detección, es
donde seremos más susceptibles a aplicación de la IA.
Un hecho no menor, respecto al rápido desarrollo de IA en radiología está basado en la buena dis-
ponibilidad de acceso a herramientas informáticas y la gratuidad a la que están sujetas muchas pla-
taformas. Sería impensado en otras escalas de la medicina contar con los materiales para empezar a
desarrollar, investigar o producir, sin la sobrecotización que usualmente se le achaca al terreno médico.
La radiología, siendo una disciplina a medio camino de otros terrenos, puede beneficiarse en gran
forma de su posición, al obtener de un arquetipo ajeno al mundo médico como es el campo de la
tecnología informática; los principios que ordinariamente lo rigen como son el valor de la gratuidad
y el carácter colaborativo. Se podría pensar que en esta suerte de democratización del conocimiento,
entendemos que cobra relevancia el poder de desarrollo de los países pequeños. [21]
Si bien las universidades de norteamérica y Europa occidental han demostrado estar a la vanguardia de
los grandes progresos del campo, China se posiciona con un número no menor de desafíos logrados y
galardones en el campo del reconocimiento visual. Israel, ha sido una de las naciones que más start-
ups ha postulado en las distintas exposiciones mundiales de IA aplicadas a radiología, ocupando un
lugar especial en el evento estelar organizado a manos de la Sociedad Radiológica de Norteamérica
(RSNA). Sorprendente de ver el caso de Tel-Aviv, una ciudad en población comparable a Montevideo
con más proyectos que grandes países Europa sumados. Es interesante entender desde esta perspec-
tiva el rol que podría intentar seguir Uruguay en su posición de pequeña economía emergente, cuya
brecha en investigación no ha hecho más que quedar relegada frente a potencias desarrolladas en
épocas de medicina basada en evidencia.
En el proceso evolutivo de la inteligencia artificial y su inevitable futura convivencia con la imageno-
logía; deberán ser los radiólogos quienes aprendan a respaldarse con estas técnicas para aumentar
su productividad. Siendo la verdadera amenaza permanecer al margen de dichos desarrollos que
permitirán optimizar los flujos de trabajo y mejorar la calidad en la atención del paciente.
resonancia magnética y ecografía mamaria. [33]
Al margen de los múltiples avances, una revisión de Cli-
nical Radiology de mayo de 2019,
considera que aún es temprano para esbozar conclusiones
en esta área puntual. Se necesitarán
evidencias muy potentes que avalen el costo-beneficio
puesto que nos encontramos en un escenario
de primordial interés en salud pública. Se requerirán
trabajos poblacionales basados en enormes
sets de datos y que permitan cumplir la aplicación de IA
según las normativas del reglamento
general de protección de datos de la Unión Europea. [20]
INTELIGENCIA ARTIFICIAL
APLICADA A LA IMAGEN MÉDICA.
REVISIÓN DE TEMA.
57
Agradecemos al Prof. Dr. Luis Dibarboure, por el apoyo brindado.
ARTÍCULO DE REVISIÓN / Dres. F.Aguirre, L. Carballo, X. González, V. Gigirey.
Rev. Imagenol. 2da Ep. Ene./Jul. 2021 Vol. XXIV (2):
58
47 - 58
BIBLIOGRAFÍA
1) Paiva OA, Prevedello LM. The potential impact of
artificial intelligence in radiology. Radiologia brasileira.
doi:10.1590/0100-3984.2017.50.5e1
2) Chang, P. What to make of the increased hype surroun-
ding AI in radiology [Internet]. Radiology Business. De: ht-
tps://www.radiologybusiness.com/sponsored/9667/topics/
imaging-informatics/rsna-2018-hype-ai-radiology-paul-
chang. 2018. Febles, G. Inteligencia artificial en radiología,
revisión de conceptos, aplicaciones y consecuencias.
http://sriuy.org.uy/ojs/index.php/Rdi/article/view/53
3) Zaharchuk G, Gong E, M. Wintermark, M. Deep Lear-
ning in Neuroradiology. Am. J. NeuroradioL, October
2018, 39 (10) 1776-1784. https://doi.org/10.3174/ajnr.
A5543
4) Krizhevsky A, Sutskever I, Hinton G E. "Imagenet classi-
fication with deep convolutional neural networks. https://
dl.acm.org/doi/10.5555/2999134.2999257.
5) Deshpande, A. The 9 Deep Learning Papers You Need
To Know About (Understanding CNNs)”. Engineering at
forward. Retrieved 2018-12-04. https://adeshpande3.
github.io/The-9-Deep-Learning-Papers-You-Need-To-
Know-About.html
6) Hahnloser RH, Sarpeshkar R, Mahowald MA, Douglas
RJ, Seung HS. Digital selection and analogue amplification
coexist in a cortex-inspired silicon circuit. Nature. 2000 Jun
22;405(6789):947-51. doi: 10.1038/35016072.
7) McDonald C. Costs functions and gradient descents.
Machine Learning Fundamentals. De: https://towardsda-
tascience.com/machine-learning-fundamentals-ii-neu-
ral-networksf1e7b2cb3eef
8) Golkov V, Dosovitskiy A, Sperl JI, et al. Q-space deep
learning: twelve-fold shorter and model-free diffusion MRI
scans. Med Imaging 2016; 35:1344–51.
9) Wang S, Su Z, Ying L, et al. Accelerating Magnetic Re-
sonance Imaging via deep learning. Proc IEEE Int Symp
Biomed Imaging. 2016 Apr;2016:514-517. doi: 10.1109/
ISBI.2016.7493320.
10) Bahrami K, Shi F, Zong X. Reconstruction of 7T-like
images from 3T. MRI. IEEE Trans Med Imaging 2016;
35:2085–97.
11) Qi D, Hao C, Lequan Y. Automatic Detection of Cere-
bral Microbleeds From MR Images via 3D Convolutional
Neural Networks. IEEE Transactions on Medical Imaging,
May 2016,35(5):1. doi:10.1109/TMI.2016.25281291
12) G. Zaharchuk, E. Gong, M. Wintermark, D. Deep
Learning in Neuroradiology. American Journal of Neuro-
radiology October 2018, 39 (10) 1776-1784; doi: https://
doi.org/10.3174/ajnr.A5543
13) Maier O, Schröder C, Forkert ND, Martinetz T, et al.
Classifiers for Ischemic Stroke Lesion Segmentation: A
Comparison Study. Plos one. 2015;10(12):e0145118.
DOI: 10.1371/journal.pone.0145118.
14) Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Gross-
mann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains
B, Rietveld D, et al. (2014). "Decoding tumour phenotype
by noninvasive imaging using a quantitative radiomics
approach". Nat Commun. 5: 4006. Bibcode:2014NatCo
5.4006A. doi:10.1038
15) Nielsen A, Mouridsen K, Hansen M. y. Deep learning:
utilizing the potential in data bases to predict individual
outcome in acute stroke. De: Proceedings of the Annual
Meeting of the International Society for Magnetic Re-
sonance in Medicine, Honolulu, Hawaii. April 22-27,
2017; 5665.
16) Wachinger C, Reuter M, Klein T. DeepNAT: Deep con-
volutional neural network for segmenting neuroanatomy.
Neuroimage. 2018 Apr 15;170:434-445. doi: 10.1016/j.
neuroimage.2017.02.035.
17) Humphrey L., Deffebach M., Pappas MA. (2013)
Screening for Lung Cancer: Systematic Review to Update
the U.S. Preventive Services Task Force Recommendation.
Evidence Synthesis. N0. 105
18) Isa A. Gregory R. Gowthaman G. Lung Nodule De-
tection via Deep Reinforcement Learning. Frontiers in
Oncology 2018 Apr 16. doi: 10.3389/fonc.2018.00108
19) Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ.
Artificial intelligence in breast imaging. Clin Radiol. 2019
May;74(5):357-366. doi: 10.1016/j.crad.2019.02.006.
20) Chartrand G, Cheng PM, Vorontsov E, Drozdzal M,
Turcotte S, Pal CJ, Kadoury S, Tang A. Deep Learning:
A Primer for Radiologists. Radiographics. 2017 Nov-
Dec;37(7):2113-2131. doi: 10.1148/rg.2017170077.
