Representaciones latentes de tomografías computarizadas para la detección de anomalías relacionadas con neumonía y COVID-19
No Thumbnail Available
Date
2023-05-16
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
Las neumonías bacterianas, virales, y las causadas por el COVID-19 pueden ser caracterizadas mediante la observación e identificación de hallazgos radiológicos en estudios de tomografías computarizadas
(CT, por sus siglas en ingles). Estos hallazgos visuales permiten entre otros la valoración, estratificación de la
enfermedad y el seguimiento del paciente. No obstante, este análisis es principalmente observacional, sujeto a la
experticia de los radiólogos, lo que conduce a sesgos en el diagnóstico y una consecuente baja especificidad (hasta
un 33 % ha sido reportado). Los modelos de aprendizaje profundo han emergido como herramientas claves para
apoyar tareas relacionadas con la detección y clasificación y diagnóstico, soportado en la codificación de patrones visuales. Estos modelos, sin embargo, son ajustados bajo esquemas de aprendizaje de muestras de los datos
que sean significativas, balanceadas, y estratificadas, con el fin de lograr exitosamente la tarea de modelado.
Además su carácter típicamente supervisado puede introducir sesgos relacionados con el aprendizaje particular
de las muestras etiquetadas. En este trabajo se propuso un esquema no auto-supervisado que bajo un esquema
variacional profundo, es capaz de codificar patrones radiológicos para discriminar entre diferentes neumonias
y la clase control. Primero, en el trabajo se ajusto una arquitectura de autoencoder variacional siguiendo una
tarea de pretexto relacionada con la construcción. Desde el espacio embebido variacional, se lograron construir
descriptores embebidos que en un espacio latente tienen una capacidad de discriminación lineal entre las clases.
El método propuesto fue evaluado sobre un estudio retrospectivo de estudios CT que corresponden a 996 pacientes clasificados bajo 3 grupos de datos: Control, COVID-19, y Neumonía. En la tarea de clasificación, el método
propuesto logró una sensibilidad del 100 %, y especificidad del 98 % y 95 % para COVID-19 y neumonías típicas
respectivamente, evidenciando una clara distinción entre estos tres grupos.
Description
Keywords
Neumonía, COVID-19, Hallazgos Imagenológicos, Autoencoder Variacional, Representación Latente, Detección de Anomalías, Tomografías Axiales Computarizadas