Potencial de YOLOv5 para detectar nódulos pulmonares en rayos x de tórax
Palabras clave:
radiografía de tórax, nódulo pulmonar, inteligencia artificial, aprendizaje profundo, YOLOResumen
La radiografía de tórax es uno de los métodos más extendidos para la identificación de nódulos pulmonares. Sin embargo, son difíciles de interpretar por su bajo contraste y la cantidad de estructuras anatómicas que se superponen en la región torácica. Los sistemas de diagnóstico asistido por ordenador (CAD) incrementan la efectividad de los diagnósticos y reducen la carga laboral de los especialistas. Esta investigación propone un sistema CAD basado en inteligencia artificial, donde se emplean las radiografías de tórax para la detección de nódulos pulmonares. Se utilizó una red neuronal con empleo del método YOLO, sobre la que se aplicaron técnicas de transferencia de aprendizaje y tres estrategias de entrenamiento. Se crearon conjuntos de imágenes a partir de cuatro bases de datos internacionales. La red fue entrenada y validada, y para el mejor modelo obtenido se realizó una prueba externa, a partir de una quinta base de datos de alta dificultad, de diferente origen a las anteriores. El mejor modelo se obtuvo con el entrenamiento para el conjunto de imágenes segmentadas, incluyendo al área del mediastino, con una sensibilidad del 68% en la prueba externa, comparable con algunos resultados de estudios previos. Este enfoque presenta, además de su potencial, la ventaja de poder visualizar y filtrar la confianza del modelo.
Descargas
Publicado
Número
Sección
Licencia
- Los autores que publican en esta revista están de acuerdo con los siguientes términos: Los autores conservan todos los derechos de autor y garantizan a la revista el derecho de ser la primera en publicar el trabajo.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).
- Los contenidos de la revista se distribuyen bajo una licencia Creative Commons Attribution-NonCommercial 4.0. Esto significa que se permite su copia y distribución por cualquier medio, siempre que mantenga el reconocimiento de sus autores y no se haga uso comercial de las obras. La licencia completa puede consultarse en:
https://creativecommons.org/licenses/by/4.0/deed.es_ES