INTELIGENCIA ARTIFICIAL

empezar

Alta Tecnologia en Imagens Diagnsticas: 154013_3Maria B. Palacio Garcia.

IMPORTANCIA DE LA IA EN LA FORMACION DE LA IMAGEN Y SU ROL EN EL DESEMPEÑO DEL OPERADOR.

índice

• que es la inteligencia artificial (IA)?
• que es es una red neuronal artificial?
• aprendizaje automatico. tipos de aprendizaje automatico.
• Redes neuronales profundas: redes neuronales convulsionales (cnn). redes de codificador-decodificador. redes generativas adversarias (GAN).
• QUE SIGNIFICA EL TRMINO CONVULSION.

• USOS DE LA IA EN LA RESONANCIA MAGNETICA.

La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano. Es decir, simulen la inteligencia humana y las capacidades humanas para resolucionar problemas.La IA incluye muchas disciplinas como la informatica, la estadistica de datos, neurociencia entre otras.Segun GammaScan: "En el contexto médico, esto implica la capacidad de analizar, interpretar y comprender datos de imágenes médicas de forma similar o incluso superior a los expertos humanos".

INTELIGENCIA ARTIFICIAL (IA)

La red neuronal artificial es un metodo utilizado por la IA para enseñar a las computadoras a procesar los datos de manera similar al cerebro humano es decir, algo parecido al funcionamiento de las redes de neuronas, este tipo de proceso se denomina aprendizaje profundo.En nuestro crebro las neuronas se encuentran interconectadas entre si, de forma analogica la red neuronal artificial se encuentan interconectadas entre si y agupadas en diferentes nveles llamados capas. En la primera capa llegan los datos de una capa anterior y su salida son las entrada de una capa posterior. la primera capa reciben como entrada los datos reales que alimentan a la red neuronal. Es por eso por lo que la primera capa se conoce como capa de entrada. La salida de la última capa es el resultado visible de la red, por lo que la última capa se conoce como la capa de salida. Las capas que se sitúan entre la capa de entrada y la capa de salida se conocen como capas ocultas ya que desconocemos tanto los valores de entrada como los de salida.

RED NEURONAL ARTIFICIAL

Es considerado un subconjunto de la IA. Este proceso utiliza modelos matematicos de datos que ayudan a un equipo a aprender sin instrucciones directas, utilizando algoritmos para identificar patrones en los datos para luego crear un modelo de datos utilizado para realizar predicciones. Entre mas datos mas aprendizaje.APRENDIZAJE AUTOMATICO SUPERVISADO: Estos algoritmos son los mas utilizados. Con este aprendizaje el equipo tiene un grupo etiquetado de datos que le permiten aprender a hacer una tarea humana. Este es el modelo menos complejo, ya que intenta replicar el aprendizaje humano.APRENDIZAJE AUTOMATICO NO SUPERVISADO: El equipo tiene datos sin etiquetar, extrayendo de ellos patrones desconocidos e informacion.REFUERZO DE INFORMACION: Un programa informatico (agente) reemplaza al operador humano ayudando a determinar el resultado en funcion de un bucle de comentarios.

aprendizaje automatico (ML). tipos de aprendizaje automatico.

Las redes neuronales profundas es un tipo de aprendizaje automatico. Las redes neuronales tradicionales suelen estar compuestas por 2 o 3 capas ocultas; la red de aprendizaje profundo, puede tener hasta 150 capas ocultas. Las redes neuronales profundas pueden reconocer comandos de voz, identificar voces, reconocer sonidos y gráficos, utilizan "Big Data'' junto con algoritmos para resolver un problema, y estas redes neuronales profundas pueden resolver problemas con una aportación humana limitada o nula. El propósito principal de una red neuronal es recibir un conjunto de entradas, realizar cálculos progresivamente complejos en ellas y dar salida para resolver problemas del mundo real como la clasificacion.

REDES NEURONALES PROFUNDAS: REDES NEURONALES CONVOLUCIONALES (cnn). rEDES DE CODIFICADOR-DECODIFICADOR. rEDES GENERATIVAS ADVERSARIAS

REDES NEURONALES CONVOLUCIONALES (CNN): este tipo de inteligencia artificial esta diseñado para procesar grandes conjuntos de datos, principalmente utiles para identificar patrones en imágenes con el fin de reconocer objetos, clases y categorías. Además, pueden ser muy eficaces para clasificar datos de audio, señales y series temporales. Contienen decenas o cientos de capas y cada una de eelas es capaz de detectar diferentes caracteristicas de la imagen. Se aplican filtros a las imágenes de entrenamiento con distintas resoluciones, y la salida resultante de convolucionar cada imagen se emplea como entrada para la siguiente capa, estos filtros pueden ser sencillos como brillo o borde. Las redes CNN son claves en aplicaciones como captura de imagenes medicas, procesamiento de audio, deteccion de objetos, generacion de datos sinteticos ( reconocimiento facial, conduccion autonoma).

REDES NEURONALES PROFUNDAS: REDES NEURONALES CONVOLUCIONALES (cnn). rEDES DE CODIFICADOR-DECODIFICADOR. rEDES GENERATIVAS ADVERSARIAS

REDES DE CODIFICADOR-DECODIFICADOR: tecnica utilizada por las redes neuronales, para problemas de predicción de secuencia a secuencia. Su arquitectura consta de tres partes: Codificador : acepta un único elemento de datos de la secuencia de entrada en cada paso, lo procesa, recopila información para ese elemento y la transfiere hacia adelante. Vector intermedio: Es el estado final obtenido de la parte codificadora del modelo. Este vector contiene información sobre toda la secuencia de entrada para ayudar al decodificador a realizar predicciones precisas. Decodificador : proporciona la oración completa y predice un resultado en cada paso.Aplicaciones: Google Translate, subtitulos de videos e imagenes.

REDES NEURONALES PROFUNDAS: REDES NEURONALES CONVOLUCIONALES (cnn). rEDES DE CODIFICADOR-DECODIFICADOR. rEDES GENERATIVAS ADVERSARIAS

REDES GENERATIVAS ADVERSARIAS: este tipo de red neuronal profunda se utiliza para generar imagenes sinteticas. Compuesta por dos redes neuronales profundas, una generativa y otra antagonica. El generador y el discriminador se entrenan juntos para que compitan mutuamente hasta que el generador sea capaz de crear datos sintéticos realistas que el discriminador no pueda identificar como falsos. Los datos producidos por el generador se utilizan para crear nuevos datos sinteticos y como entradas a otras capas neuronales.Aplicaciones: generador de escritura manuscrita, generacion de escenas, aplicaciones de audio y voz.

REDES NEURONALES PROFUNDAS: REDES NEURONALES CONVOLUCIONALES (cnn). rEDES DE CODIFICADOR-DECODIFICADOR. rEDES GENERATIVAS ADVERSARIAS

Aplica un conjunto de filtros convolucionales a las imágenes de entrada; cada filtro (kernel) activa diferentes características de las imágenes.

TERMINO CONVOLUSION

"Al unir la destreza computacional de la IA con la rica e intrincada información que ofrece la resonancia magnética, existe el potencial de elevar la precisión y la eficiencia del diagnóstico médico, abriendo nuevas posibilidades para la atención al paciente". (Hernandez-Trinidad, A. et al. 2023).

USOS DE LA IA EN LA RESONANCIA MAGNETICA.

MODELOS DE IA UTILIZADOS FRECUENTEMENTE EN RM.REDES NEURALES CONVOLUCIONALES (CNN): se destacan en tareas como la clasificación de imágenes, donde pueden distinguir entre hallazgos normales y anormales dentro de las imágenes médicas. Por ejemplo, en la resonancia magnética cerebral, las CNN pueden distinguir entre regiones sanas y afectadas por tumores, segmentación precisa de imágenes, delineando regiones de interés dentro de las exploraciones de MRI, util para identificar tumores, vasos sanguíneos o estructuras anatómicas. REDES NEURONALES RECURRENTES(RNN): util para estudios longituninales como por rjemplo el seguimiento de una enfermedad o la respuesta a tratamiento, identificando cambios sutiles.REDES GENERATIVAS ADVERSARIAS: generan imagenes de RM sinteticas imitando datos reales, igualmente ofrece gran resolucion de las imagenes, mejorando el valor diagnostico.CODIFICADORES AUTOMATICOS: Comprimen las imágenes de resonancia magnética en representaciones de menor dimensión y capturan las características más destacadas. Estas características aprendidas se pueden utilizar para diversas tareas, incluidas la clasificación y la segmentación.

USOS DE LA IA EN LA RESONANCIA MAGNETICA.

UTILIDADES:

• La IA reduce el ruido y los artefactos en las imágenes de resonancia magnética.
• Mejora la resolución de la imagen para obtener detalles anatómicos más precisos.
• Permite realizar exploraciones de resonancia magnética más rápidas.
• Reconstruye imágenes de alta calidad a partir de datos muestreados de forma dispersa.
• Identifica y caracteriza tumores en exploraciones de resonancia magnética.
• Ayuda a diagnosticar enfermedades como el Alzheimer mediante resonancia magnética cerebral.
• Segmenta con precisión las lesiones (por ejemplo, tumores) en las exploraciones de resonancia magnética, lo que ayuda en la planificación del tratamiento.
• Cuantifica las propiedades de los tejidos (T1, T2, difusión) para caracterizar enfermedades.
• Genera informes radiológicos automatizados extrayendo hallazgos de exploraciones de resonancia magnética.
• adapta los protocolos de resonancia magnética a pacientes individuales para obtener imágenes optimizadas.

USOS DE LA IA EN LA RESONANCIA MAGNETICA.

REFERENCIAS BIBLIOGRAFICAS

• GammaScan. (2024). La Inteligencia Artificial en el Diagnostico por Imagen. https://www.gammascan.es/la-inteligencia-artificial-en-el-diagnostico-por-imagen/#:~:text=La%20IA%20permite%20una%20mayor,caracter%C3%ADsticas%20%C3%BAnicas%20de%20cada%20paciente.
• Xeridia. (2019). Redes Neuronales Artificiales: Que son y como entrenrlas. https://www.xeridia.com/blog/redes-neuronales-artificiales-que-son-y-como-se-entrenan-parte-i
• Hewlet Packard. (2024). ¿Que es el aprendizaje automatico. HPE Glossary. https://www.hpe.com/lamerica/es/what-is/machine-learning.html#:~:text=Los%20cuatro%20modelos%20principales%20de,a%20hacer%20una%20tarea%20humana.
• Bharat, K. (2024). Introduccion a las redes neuronales profundas. DataCamp. [Blog]. https://www.datacamp.com/es/tutorial/introduction-to-deep-neural-networks
• Hernandez-Trinidad, A., Murillo, B., et al (2023). Aplicaciones de la Inteligencia Artificial en la Clasificacion de Imagenes de Resonancia Magnetica: Avances y Perspectivas. Intechopen. https://www.intechopen.com/chapters/88584

gracias