De izquierda a derecha, Humberto Bustince, Daniel Paternain, Aránzazu Jurío y Miguel Pagola, autores del trabajo premiado
La Asociación Europea de Lógica Difusa y Soft Computing (EUSFLAT) ha premiado en su reunión bienal, celebrada la semana pasada en Milán, el trabajo de investigación presentado por el Grupo de Inteligencia Artificial y Razonamiento Aproximado (GIARA) de la Universidad Pública de Navarra. Los investigadores han desarrollado un método que mejora la delimitación de los tumores en imágenes médicas. Según explican, “cuando el médico decide por dónde debe separar el tejido tumoral del tejido sano, nuestro algoritmo le da la garantía de que nunca va a escoger la peor de las posibilidades porque, de manera automática, le ofrece una solución mejorada”.
Los autores del trabajo han sido Aránzazu Jurío, Miguel Pagola, Daniel Paternain, Nicolás Madrid y Humberto Bustince. Su investigación compitió con más de 200 trabajos presentados al Congreso, de los que se preseleccionaron 16 y, posteriormente, los tres finalistas: Universidad Pública de Navarra, Universität Marburg de Alemania y Ghent University de Bélgica.
El trabajo se centra en el estudio de imágenes de cerebros obtenidas a través de resonancia magnética. En concreto, han desarrollado un algoritmo para mejorar el proceso de segmentación de imágenes. “Mediante la segmentación —explica Aránzazu Jurío— se separa cada uno de los objetos que forman parte de la imagen. Se analiza cada píxel de manera que todos los que tengan ciertas características en común, se consideran parte del mismo objeto”. En el caso de las imágenes médicas, este proceso es fundamental para la delimitación de tumores donde, si pensamos en zonas como el cerebro, tres milímetros de diferencia pueden marcar la diferencia entre la curación o afectar zonas como el habla o la vista.
Para comprender el funcionamiento del algoritmo que los investigadores han desarrollado, Humberto Bustince utiliza el siguiente paralelismo: “imaginemos que tenemos, por resonancia magnética, la imagen de un cerebro y siete médicos que deben decidir cómo delimitar el tumor. Por experiencia, sabemos que cada uno de ellos separará el tumor de manera distinta. Ahora, con el método propuesto, automáticamente van a tener una serie de opciones que, en cualquier caso, siempre van a mejorar la elección que hubiera hecho el peor de los siete. Hemos conseguido mejorar al peor, lograr que aunque escojan la peor elección, se equivoquen lo menos posible”.
En tiempo real
Otro de los factores a los que los expertos en inteligencia artificial tienen que enfrentarse es al de las variaciones temporales, puesto que las imágenes médicas varían en el tiempo y, en muchas ocasiones, en un breve espacio temporal. “Todos estos algoritmos permiten la aplicación en tiempo real, ya que lo que puede ser útil para una imagen en un momento dado, puede no serlo pasado un tiempo”, explica el profesor Bustince.
En ese sentido, Aránzazu Jurío hace hincapié en que “el algoritmo que hemos desarrollado hace una especie de consenso entre las distintas funciones para obtener una mejor solución. Digamos que le quita un proceso de elección al experto porque es el algoritmo el que, automáticamente, elige la función”.
“El problema —abunda Daniel Paternain— es que para una imagen concreta hay una serie de funciones que el experto puede utilizar, pero si al hacer la segmentación se equivoca de función, el resultado podría ser muy malo. Lo que intentamos solucionar es eso: que si se equivoca de función, el resultado no sea malísimo”.
En el Congreso EUSFLAT 2013, en Milán del 11 al 13 de septiembre, han participado más de 300 investigadores procedentes de toda Europa que trabajan en Lógica Fuzzy, Soft Computing y sus aplicaciones. Humberto Bustince, catedrático de Computación e Inteligencia Artificial, fue además el encargado de impartir una de las tres conferencias plenarias: “Procesamiento y clasificación de imágenes utilizando extensión de conjuntos difusos. Primeros éxitos”.