| Revista: | Anales AFA |
| Base de datos: | |
| Número de sistema: | 000544961 |
| ISSN: | 1850-1168 |
| Autores: | Scarinci, I. E.1 Pérez, P.1 Valente, M.1 |
| Instituciones: | 1Consejo Nacional de Investigaciones Científicas y Técnicas, Instituto de Física Enrique Gaviola, Buenos Aires. Argentina 2Universidad Nacional de Córdoba, Facultad de Matemática Astronomía Física y Computación, Córdoba. Argentina 3Universidad de La Frontera, Departamento de Ciencias Físicas, Araucanía. Chile |
| Año: | 2020 |
| Periodo: | Dic |
| Volumen: | 31 |
| Número: | 4 |
| Paginación: | 165-171 |
| País: | Argentina |
| Idioma: | Español |
| Resumen en español | La cantidad de procedimientos de medicina nuclear se ha incrementado notablemente en los últimos años, convirtiendo a éstos en una herramienta cotidiana que alcanza a amplios sectores de la población. En relación al uso terapéutico de la medicina nuclear, la cantidad de nuevas técnicas y el uso de mayor variedad de radioisótopos demandan una cuantificación dosimétrica precisa y de carácter paciente-específico, a los fines de evaluar daños letales al tumor manteniendo niveles aceptables de dosis en tejidos sanos. En el caso particular de los tratamientos teranósticos que permiten la realización conjunta de tratamiento-diagnóstico, se presenta la posibilidad de realizar dosimetría interna guiada por imágenes. En este caso, resulta crítica la segmentación correcta de las imágenes para la identificación de diferentes tejidos y órganos. Por otra parte, las herramientas de la ciencia de datos y la inteligencia artificial se han difundido en varios campos, en particular el procesamiento digital de imágenes. La posibilidad de utilizar modelos de aprendizaje automático para el procesamiento de imágenes digitales surge como una oportunidad promisoria para complementar el análisis clínico por parte de expertos. En este trabajo se presenta un algoritmo heurístico de segmentación no supervisada utilizando conjuntamente técnicas de clustering y aprendizaje automático, basado en la utilización de dos algoritmos: K-Means y HDBSCAN. Los resultados obtenidos muestran la capacidad de segmentado automático de los algoritmos de clustering resultando éstos una herramienta útil para facilitar y acortar los tiempos de segmentación. |
| Resumen en inglés | The overall quantity of nuclear medicine procedures has increased remarkably in recent years, making them a daily tool capable of reaching wide sectors of the population. Regarding the nuclear medicine therapeutic applications, it is worth noting that there is an increasing demand of novel techniques and greater variety of radioisotopes requiring accurate patient-specific dosimetry aimed at evaluating lethal damage to the tumor while maintaining acceptable dose levels in healthy tissues. Image-guided internal dosimetry appears as particularly suitable for theranostics procedures, which allow the joint implementation of diagnose and treatment. In this case, the correct segmentation of the images is critical for the identification of different tissues and organs. On the other hand, modern tools based on data science and artificial intelligence have spread in several fields, particularly in the digital image processing. The use of machine learning models for digital image processing appears as a promising opportunity to complement clinical analysis by experts. This paper reports about an unsupervised segmentation heuristic algorithm using clustering and machine learning techniques together, based on the use of two algorithms: K-Means and HDBSCAN. The results obtained highlight the capacity of automatic segmentation by means of clustering algorithms, becoming a useful tool to assist clinician experts and shorten the segmentation times. |
| Palabras clave: | Medicina nuclear, Dosimetría, Teranóstica, Inteligencia artificial |
| Keyword: | Nuclear medicine, Dosimetry, Theranostics, Machine learning |
| Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
