Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Thales AVS France

Deascargar La Aplicación Móvil




Programa informático supera a radiólogos en análisis de RM cerebrales

Por el equipo editorial de Medimaging en español
Actualizado el 18 Oct 2016
Print article
Imagen: Un programa de computadora vence a los radiólogos en el análisis de resonancias magnéticas (Fotografía cortesía de la CWRU).
Imagen: Un programa de computadora vence a los radiólogos en el análisis de resonancias magnéticas (Fotografía cortesía de la CWRU).
Un nuevo estudio que enfrentó a dos médicos en contra de un algoritmo informático de análisis de imágenes de resonancia magnética (RM) del cerebro, encontró que el programa era casi dos veces más exacto.
 
Investigadores de la Universidad Case Western Reserve (CWRU; Cleveland, OH, EUA) y del Centro Médico Southwestern de la Universidad de Texas (Dallas, TX, EUA), realizaron un estudio para determinar la viabilidad de usar las características de textura extraídas por computador, para diferenciar entre la necrosis por radiación y los tumores cerebrales en los exámenes de resonancia magnética post-radioquimioterapia. En total, se utilizaron 58 exámenes de pacientes, con 43 siendo la cohorte de capacitación para el algoritmo y 15 siendo la cohorte de prueba.
 
Un conjunto de características radiómicas fue extraída para cada lesión en cada secuencia de RM - T1WI, T2WI con gadolinio y FLAIR. Se utilizó la selección de características para identificar las cinco mejores características más discriminatorias para cada secuencia de resonancia magnética en la cohorte de capacitación. Estas características fueron evaluadas, a continuación, en la cohorte de ensayo mediante un clasificador de máquinas de vectores de soporte. La clasificación del desempeño fue comparada contra lecturas de diagnóstico por dos neuroradiólogos expertos, que tenían acceso a las mismas secuencias de RM que el clasificador. Finalmente, los hallazgos histológicos clínicos fueron confirmados por un neuropatólogo experimentado.
 
Los resultados revelaron que, en la comparación directa, un neuroradiólogo diagnosticó siete pacientes correctamente, y el segundo médico diagnosticó correctamente ocho pacientes. El programa de ordenador, por otro lado, estuvo correcto en 12 de las 15 imágenes por resonancia magnética. Los investigadores ahora están buscando validar la exactitud de los algoritmos usando una colección mucho más grande de imágenes de varios sitios diferentes, por lo que con el tiempo podría ser utilizado como una herramienta de ayuda para las decisiones, con el fin de ayudar a los neuroradiólogos a mejorar su confianza en la identificación de una lesión sospechosa. El estudio fue publicado el 15 de septiembre de 2016, en la revista American Journal of Neuroradiology.
 
“Uno de los mayores desafíos con la evaluación del tratamiento de los tumores cerebrales es diferenciar entre los efectos de confusión de la radiación y la recurrencia del cáncer; en una resonancia magnética, se ven muy similares”, dijo el autor principal, el ingeniero biomédico, Pallavi Tiwari, PhD, de la CWRU. “Lo que los algoritmos ven y que los radiólogos no, son las diferencias sutiles en las mediciones cuantitativas de la heterogeneidad del tumor y la descomposición en la microarquitectura en la RM, que son mayores en la recidiva tumoral”.
 
“Mientras que los médicos utilizan la intensidad de los píxeles en las imágenes por resonancia magnética como una guía, el computador ve en los bordes de cada píxel; si los bordes apuntan en la misma dirección, la arquitectura está conservada”, añadió el autor principal, el profesor de ingeniería biomédica Anant Madabhushi, PhD, director del Centro para Imagenología Computacional y Diagnósticos Personalizados en la CWRU. “Si apuntan en diferentes direcciones, la arquitectura está interrumpida- entropía o desorden y la heterogeneidad es mucho más alta”.
 
En una reciente competición en el Simposio 2016 Internacional de Imágenes Biomédicas (ISBI), realizado en abril en Praga (República Checa), un algoritmo informático de aprendizaje automático que fue entrenado para reconocer la metástasis del cáncer de mama en los ganglios linfáticos identificó correctamente el 92% por ciento de las veces, casi igualando la tasa de éxito del 96% de un patólogo humano.

Enlaces relacionados:
 
Case Western Reserve University
University of Texas Southwestern Medical Center
 


Print article
Control-X Medical
Radcal

Canales

Radiografía

ver canal
Imagen: El sistema de RF FluoroSpeed X1 edition (Fotografía cortesía de Shimadzu Medical Systems)

Mesa novedosa de RF mejora los flujos de trabajo y las eficiencias de los operadores

Un sistema de mesa de radio/fluoroscopia (RF), convencional, multifuncional, realiza fácilmente exámenes fluoroscópicos y radiográficos bariátricos y de rutina diarios. El sistema de RF FluoroSpeed... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más

Industria

ver canal
Imagen: AI-Rad Companion Chest CT genera automáticamente informes estandarizados, reproducibles y cuantitativos en formato DICOM SC (Fotografía cortesía de Siemens Healthineers).

Software para la TC de tórax basada en IA de Siemens Healthineers recibe aprobación de la FDA de los EUA

La Administración de Medicamentos y Alimentos de los Estados Unidos (FDA) aprobó tres módulos de AI-Rad Companion Chest CT, un asistente de software inteligente de Siemens Healthineers (Erlangen, Alemania)... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.