Desarrollo de una herramienta de escritorio para la automatización del proceso de análisis e interpretación de tomografías axiales computarizadas (TAC) mediante la aplicación de un modelo de Deep Learning

Abstract

El objetivo de esta investigación es desarrollar una herramienta de escritorio basada en la ejecución de un modelo de Deep Learning, utilizando la metodología CRISP-DM, para la automatización del proceso de análisis e interpretación de un TAC por medio de su clasificación. Con esto se pretende impactar el flujo de trabajo del personal médico canadiense al automatizar la clasificación de TAC, y al mismo tiempo agilizar el proceso de análisis para el diagnóstico y tratamiento médico. La investigación se realiza bajo la modalidad de movilidad estudiantil, donde el estudiante investigador desarrolla su investigación en el laboratorio o departamento de una universidad extranjera. En este caso, el laboratorio escogido fue el laboratorio del Grupo de Análisis de Datos e Imágenes (DIAG, siglas en inglés) del departamento de Ciencias de la Computación en la Universidad Memorial en Canadá. Este laboratorio se encarga de implementar tecnologías emergentes como la inteligencia artificial para automatizar procesos médicos y crear modelos de Deep Learning que permiten clasificar imágenes médicas como TAC, resonancias magnéticas, entre otros, con el fin de atacar el retraso en la atención y diagnóstico de los pacientes. Para abordar esta problemática, se plantea la creación de una herramienta de escritorio al implementar un modelo anteriormente desarrollado por un miembro del laboratorio para clasificar las siguientes regiones del cuerpo en un TAC con formato iniciativa de tecnología informática de neuroimagen (NiFTi, por sus siglas en inglés): Pecho, Abdomen, Pelvis, Pecho-Abdomen, Abdomen-Pelvis, Pecho-Abdomen-Pelvis; para obtener este resultado se utiliza una metodología con enfoque cuantitativo y un diseño de investigación experimental. Esto implica la evaluación del modelo de clasificación, así como la creación de la herramienta que integra dicho modelo. Los datos necesarios fueron recopilados al aplicar revisión documental, diseños experimentales, encuestas y tablas de registro. Posterior al análisis de resultados, se obtuvieron porcentajes de desempeño general mayores a 75% en todas las pruebas realizadas al modelo base, lo que permitió continuar con su uso para su debida integración con la aplicación de escritorio. Sin embargo, de igual forma se identificó un patrón de error con la clasificación que presenta dos principales funcionalidades: clasificación individual y clasificación grupal de TAC, elaboradas utilizando Electron para el Frondend, Onnxruntime para la comunicación modelo-aplicación y Python para la lógica del modelo. Por último, se presenta una discusión para mejoras del modelo en términos de realizar mayor cantidad de pruebas con otras bases de datos, modificar parámetros de entrenamiento o modificar la arquitectura; mientras que para la herramienta se proponen mejoras en su distribución y funcionalidades.

The objective of this research is to develop a desktop tool based on the execution of a Deep Learning model, using the CRISP-DM methodology, for the automation of the analysis and interpretation process of a CT scan through its classification. This is intended to impact the workflow of Canadian medical personnel by automating the classification of CT scans, and at the same time streamlining the analysis process for medical diagnosis and treatment. The research is carried out under the modality of student mobility where the student researcher develops his research in the laboratory or department of a foreign university. In this case, the laboratory chosen was the Data and Image Analysis Group (DIAG) laboratory of the computer science department at Memorial University. This laboratory is responsible for implementing emerging technologies such as artificial intelligence to automate medical processes and create Deep Learning models that allow classifying medical images such as CT scans, MRIs, among others; in order to attack the delay in patient care and diagnosis. To address this problem, the creation of a desktop tool is proposed that, by implementing a model previously developed by a colleague in the laboratory to classify the following regions of the body in a CT with Neuroimaging Informatics Technology Initiative (NiFTi) format: Chest, Abdomen, Pelvis, Chest-Abdomen, Abdomen-Pelvis, Chest-Abdomen-Pelvis; To obtain this result, a methodology with a quantitative approach and an experimental research design is used. This involves the evaluation of the classification model, as well as the creation of the tool that integrates said model. The necessary data were collected by applying documentary review, experimental designs, surveys and recording tables. Considering the analysis of the results, general performance percentages greater than 75% were obtained in all the tests carried out on the base model, which allowed its use to continue for proper integration with the desktop application. However, an error pattern was also identified with the classification that presents two main functionalities: individual classification and group classification of a CT scan developed using Electron for the Frondend, Onnxruntime for the model-application communication and Python for the model logic. Finally, a discussion is presented for model improvements in terms of performing more tests with other databases, modifying training parameters or modifying the architecture; while for the tool, improvements are proposed in its distribution and functionalities.