Cómo las radiografías se convierten en números

Curso de Redes Neuronales Convolucionales

Contenido del curso

No sé dónde empezar

Fundamentos de las CNN y su aplicación biomédica

Construcción práctica con PyTorch

Entrenamiento y evaluación de modelos

Optimización y generalización

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:002:20

Cómo las radiografías se convierten en números

Curso de Redes Neuronales Convolucionales

Clase 2 de 15

Clase 2 / 15

Recursos

Convertir imágenes médicas en datos numéricos es el primer paso para que un modelo de machine learning pueda diagnosticar enfermedades como la neumonía a partir de radiografías. La idea parte de una pregunta simple: ¿cómo le enseñas a una máquina a mirar lo que mira un doctor?

La respuesta está en traducir píxeles a números. Y aquí viene lo interesante: una vez que tienes esa matriz numérica, puedes entrenar modelos para detectar patrones que un humano tardaría minutos en analizar.

¿Cómo diagnostica un doctor y por qué importa para automatizar?

Un diagnóstico médico funciona como un checklist de señales. En una consulta por gripe, por ejemplo, el doctor revisa síntomas concretos antes de llegar a una conclusión.

Fiebre.
Dolor muscular.
Tos.
Mocos.

Con ese cruce de datos, el doctor confirma gripe y decide si hace falta una radiografía para descartar neumonía. Ese mismo razonamiento, basado en señales específicas, es el que queremos replicar en una máquina.

¿Por qué un doctor puede leer una radiografía y una máquina no, de entrada? Porque el doctor sabe dónde mirar y qué características buscar. La máquina necesita que le enseñes esas zonas y patrones de forma explícita, traducidos a datos que pueda procesar.

¿Cómo se le enseña a una máquina a mirar una radiografía?

La estrategia es imitar el enfoque del especialista: en lugar de procesar toda la imagen de golpe, se divide la radiografía en pequeñas secciones. Así el modelo focaliza su atención por zonas, igual que el ojo de un radiólogo.

Pero incluso una sección pequeña sigue siendo compleja. La máquina no entiende imágenes, entiende números. Por eso el siguiente paso es convertir cada sección en algo que pueda calcular.

¿Qué es la unificación de colores y para qué sirve?

La unificación de colores consiste en reducir cada sección de la imagen a un solo color uniforme. En vez de miles de variaciones de gris en una pequeña zona, te quedas con un valor representativo.

Aplicado a toda la radiografía, el resultado se ve confuso para nosotros, pero es ideal para una máquina. Cada bloque de color uniforme se traduce directamente a un número.

¿Qué es una matriz numérica de imagen? Es una cuadrícula donde cada celda guarda el número que representa el color de una sección de la imagen. Esa matriz es lo que el modelo lee para aprender y predecir.

¿Cómo se pasa de la matriz numérica a una predicción de neumonía?

Una vez que la radiografía vive como una matriz de números, entras en territorio de machine learning. El modelo analiza esos valores, identifica patrones asociados a pulmones sanos y patrones asociados a neumonía, y devuelve una predicción.

El flujo completo queda así:

Dividir la imagen en secciones pequeñas.
Aplicar unificación de colores a cada sección.
Convertir la imagen completa en una matriz numérica.
Entrenar un modelo con muchas radiografías etiquetadas.
Usar el modelo para predecir si una nueva radiografía muestra neumonía o no.

Este mismo principio sirve para automatizar tareas que hoy generan filas largas en hospitales y consultorios. Si tú estuvieras esperando turno para una radiografía, seguramente agradecerías un sistema que ayude al doctor a leer resultados más rápido.

¿Te animas a programar tu primer modelo que clasifique imágenes médicas? Cuéntame en los comentarios qué dataset usarías para empezar.

Resumen

¿Cómo diagnostica un doctor y por qué importa para automatizar?

Un diagnóstico médico funciona como un checklist de señales. En una consulta por gripe, por ejemplo, el doctor revisa síntomas concretos antes de llegar a una conclusión.

Fiebre.
Dolor muscular.
Tos.
Mocos.

¿Por qué un doctor puede leer una radiografía y una máquina no, de entrada? Porque el doctor sabe dónde mirar y qué características buscar. La máquina necesita que le enseñes esas zonas y patrones de forma explícita, traducidos a datos que pueda procesar.

¿Cómo se le enseña a una máquina a mirar una radiografía?

Pero incluso una sección pequeña sigue siendo compleja. La máquina no entiende imágenes, entiende números. Por eso el siguiente paso es convertir cada sección en algo que pueda calcular.

¿Qué es la unificación de colores y para qué sirve?

La unificación de colores consiste en reducir cada sección de la imagen a un solo color uniforme. En vez de miles de variaciones de gris en una pequeña zona, te quedas con un valor representativo.

Aplicado a toda la radiografía, el resultado se ve confuso para nosotros, pero es ideal para una máquina. Cada bloque de color uniforme se traduce directamente a un número.

¿Qué es una matriz numérica de imagen? Es una cuadrícula donde cada celda guarda el número que representa el color de una sección de la imagen. Esa matriz es lo que el modelo lee para aprender y predecir.

¿Cómo se pasa de la matriz numérica a una predicción de neumonía?

El flujo completo queda así:

Dividir la imagen en secciones pequeñas.
Aplicar unificación de colores a cada sección.
Convertir la imagen completa en una matriz numérica.
Entrenar un modelo con muchas radiografías etiquetadas.
Usar el modelo para predecir si una nueva radiografía muestra neumonía o no.

¿Te animas a programar tu primer modelo que clasifique imágenes médicas? Cuéntame en los comentarios qué dataset usarías para empezar.

Fundamentos de las CNN y su aplicación biomédica

Redes convolucionales con PyTorch para imágenes médicas

Cómo las radiografías se convierten en números

Convoluciones en PyTorch con tensores

Stride y padding en convoluciones

ReLU, Sigmoide y Tanh en redes convolucionales

Max Pooling vs Average Pooling en CNNs

Qué hace flatten en redes neuronales

Construcción práctica con PyTorch

Carga de datasets de imágenes en Google Colab con GPU

Imágenes a tensores con PyTorch

Cómo construir tu primera CNN en código

Entrenamiento y evaluación de modelos

Entrenamiento de red neuronal para detectar neumonía

Predicciones reales con tu modelo PyTorch

Precisión, Recall y ROC en redes neuronales

Optimización y generalización

ResNet 50 lleva accuracy de 0.69 a 0.96

Grad-Cam para detectar neumonía en rayos X

Cómo las radiografías se convierten en números

Progreso del curso

Fundamentos de las CNN y su aplicación biomédica

Construcción práctica con PyTorch

Entrenamiento y evaluación de modelos

Optimización y generalización

Recursos

Recursos