Este documento se envió como documento invitado a IEEE Reviews in Biomedical Engineering el 6 de abril de 2020.

Revisión de las técnicas de inteligencia artificial en la

adquisición, segmentación y
Diagnóstico de COVID-19
Feng Shi †, Jun Wang †, Jun Shi †, Ziyan Wu, Qian Wang, Zhenyu Tang, Kelei He, Yinghuan Shi,
Dinggang Shen *

Resumen: La pandemia de la enfermedad por coronavirus 2019 (COVID-19) se Nos centramos especialmente en la integración de la IA con los rayos X y la TC, los

está extendiendo por todo el mundo. Las imágenes médicas, como los rayos X y la cuales se utilizan ampliamente en los hospitales de primera línea, con el fin de

tomografía computarizada (TC), desempeñan un papel esencial en la lucha global representar los últimos avances de la medicina.

contra COVID-19, mientras que las tecnologías de inteligencia artificial (IA) imagenología y radiología luchando contra COVID-19.
emergentes fortalecen aún más el poder de las herramientas de imágenes y Términos del Índice —COVID-19, inteligencia artificial, imagen
ayudan a los especialistas médicos. Por la presente, revisamos las respuestas adquisición, segmentación, diagnóstico

rápidas en la comunidad de imágenes médicas

Yo NTRODUCCIÓN

(habilitado por AI) hacia COVID-19. Por ejemplo,
La adquisición de imágenes con inteligencia artificial puede ayudar significativamente a
automatizar el procedimiento de escaneo y también a remodelar el flujo de trabajo con
un contacto mínimo con los pacientes, proporcionando la mejor protección a los
técnicos de imágenes. Además, la IA puede mejorar la eficiencia del trabajo mediante la
delimitación precisa de las infecciones en imágenes de rayos X y TC, lo que facilita la
cuantificación posterior. Además, las plataformas asistidas por computadora ayudan a
los radiólogos a tomar decisiones clínicas, es decir, para el diagnóstico, seguimiento y
pronóstico de enfermedades. En este artículo de revisión, cubrimos toda la gama de
técnicas de análisis e imágenes médicas involucradas con COVID-19, incluida la
adquisición de imágenes, la segmentación, el diagnóstico y el seguimiento.
Este trabajo fue apoyado en parte por la Fundación de Ciencia y Tecnología de Shanghai
(18010500600, 19QC1400600), el Programa Nacional de Investigación y Desarrollo Clave de China
(2018YFC0116400) y la Fundación de Ciencias Naturales de la Provincia de Jiangsu (BK20181339).
(* Autor para correspondencia: Dinggang Shen)
† F. Shi, J. Wang y J. Shi contribuyeron igualmente a este trabajo.
F. Shi y D. Shen están en el Departamento de Investigación y Desarrollo,
Shanghai United Imaging Intelligence Co., Ltd., Shanghai 200232, China (correo electrónico:
feng.shi@united-imaging.com ; Dinggang.Shen@gmail.com ).
J. Wang y J. Shi están en el laboratorio clave de fibra óptica especializada y
Redes de acceso óptico, Instituto de Ciencia de Datos y Comunicación Avanzada de Shanghai,
Escuela de Ingeniería de la Información y la Comunicación, Shanghai
Universidad, Llevar a la fuerza 200444, China
(correo electrónico:
wangjun_shu@shu.edu.cn ; junshi@shu.edu.cn ).
Z. Wu trabaja en United Imaging Intelligence, Cambridge, MA 02140, EE. UU.
(correo electrónico: ziyan.wu@united-imaging.com ).
Q. Wang trabaja en el Instituto de Tecnología de Imágenes Médicas, Escuela de
Ingeniería Biomédica, Universidad Jiao Tong de Shanghai, Shanghai 200030, China (correo electrónico:
wang.qian@sjtu.edu.cn ).
Z. Tang trabaja en el Centro de Innovación Avanzada de Beijing para Big Data y Brain
Computación, Universidad de Beihang, Beijing 100191, China (correo electrónico:
tangzhenyu@buaa.edu.cn ).
K. Está en la Escuela de Medicina de la Universidad de Nanjing, Nanjing, China. Él
también colabora con el Instituto Nacional de Ciencia de Datos Sanitarios de la Universidad de Nanjing, Nanjing
210093, China (correo electrónico: hkl@nju.edu.cn ).
Y. Shi trabaja con el Laboratorio Nacional Clave de Software Novedoso y
Tecnología, Universidad de Nanjing, Nanjing, China. También trabaja en el Instituto Nacional de Ciencia de
Datos Sanitarios de la Universidad de Nanjing, Nanjing 210093, China (correo electrónico: syh@nju.edu.cn ).
T
síndrome
HE respiratorio
enfermedad agudo severo
por coronavirus coronaviruscausada
2019 (COVID-19), 2 por
(SARS-CoV-2), es una pandemia en curso. El número de personas infectadas por
el virus aumenta rápidamente. Hasta el 5 de abril
En 2020, se han notificado 1.133.758 casos de COVID-19 en más de 200 países y
territorios, lo que ha provocado aproximadamente 62.784 muertes (con una tasa de
mortalidad del 5,54%) [1]. Esto ha provocado una gran preocupación de salud pública en
la comunidad internacional, ya que la Organización Mundial de la Salud (OMS) declaró el
brote como una Emergencia de Salud Pública de Importancia Internacional (ESPII) el 30
de enero de 2020 y lo reconoció como una pandemia en marzo.
11 de 2020 [2, 3].
La prueba de reacción en cadena de la polimerasa con transcripción inversa (RT-PCR)
sirve como el estándar de oro para confirmar a los pacientes con COVID-19 [4]. Sin embargo,
el ensayo de RT-PCR tiende a ser inadecuado en muchas áreas que han sido severamente
afectadas, especialmente durante los primeros brotes de esta enfermedad. La prueba de
laboratorio también sufre altas tasas de falsos negativos, debido a muchos factores, como la
preparación de la muestra y el control de calidad [5]. En la práctica clínica, los equipos de
imágenes de fácil acceso, como la radiografía de tórax y la TC torácica, brindan una gran
ayuda a los médicos [6-11]. Particularmente en China, muchos casos fueron identificados
como sospechosos de COVID-19, si se observaron manifestaciones características en la TC
[5]. Los pacientes sospechosos, incluso sin síntomas clínicos (por ejemplo, fiebre y tos),
también fueron hospitalizados o puestos en cuarentena para realizar más pruebas de
laboratorio. Dada la alta tasa de falsos positivos de las pruebas de ácido nucleico, muchos
pacientes sospechosos deben ser examinados varias veces con varios días de diferencia antes
de llegar a un diagnóstico confiable. Por lo tanto, los resultados de las imágenes juegan un
papel fundamental en la limitación de la transmisión viral y también en la lucha contra
COVID-19.
El flujo de trabajo del diagnóstico basado en imágenes para COVID-19, tomando como
ejemplo la TC torácica, incluye tres etapas en general, es decir, 1) preparación previa al
escaneo, 2) adquisición de imágenes y
3) diagnóstico de enfermedades. En la etapa de preparación previa al escaneo, cada
sujeto es instruido y asistido por un técnico para posar en el

cama del paciente según un protocolo determinado. En la etapa de adquisición de
imágenes, las imágenes de TC se adquieren durante una sola respiración. La
exploración va desde el ápice hasta la base del pulmón. Las exploraciones se realizan
desde el nivel de la entrada torácica superior hasta el nivel inferior del ángulo
costofrénico con los parámetros optimizados establecidos por los radiólogos, según la
forma del cuerpo del paciente. A partir de los datos brutos adquiridos, las imágenes de
TC se reconstruyen y luego se transmiten a través de sistemas de comunicación y
archivo de imágenes (PACS) para su posterior lectura y diagnóstico.
La inteligencia artificial (IA), una tecnología emergente en el campo de las
imágenes médicas, ha contribuido activamente a combatir el COVID-19 [12]. En
comparación con el flujo de trabajo de imágenes tradicional que depende en gran
medida del trabajo humano, la IA permite soluciones de imágenes más seguras,
precisas y eficientes. Las aplicaciones recientes potenciadas por IA en COVID-19
incluyen principalmente la plataforma de imágenes dedicada, la segmentación de la
región pulmonar y de infección, la evaluación clínica y el diagnóstico, así como la
investigación básica y clínica pionera. Además, se han desarrollado muchos
productos comerciales que integran con éxito la IA para combatir COVID-19 y
demuestran claramente la capacidad de la tecnología. El Seminario de Computación
por Imágenes Médicas (MICS) 1, una alianza líder de China de académicos en
imágenes médicas y empresas emergentes, organizó este primer seminario en línea
sobre COVID-19 el 18 de febrero de 2020, que atrajo más de diez mil visitas. Todos
los ejemplos anteriores muestran el tremendo entusiasmo del público por el progreso
potenciado por la inteligencia artificial en el campo de las imágenes médicas,
especialmente durante la pandemia en curso.
Debido a la importancia de la IA en todo el espectro del análisis basado en
imágenes de COVID-19, esta revisión tiene como objetivo discutir ampliamente el papel
de las imágenes médicas, especialmente potenciadas por la IA, en la lucha contra el
COVID-19, que inspirará prácticas futuras aplicaciones e investigación metodológica. A
continuación, presentamos primero plataformas de imágenes inteligentes para
COVID-19 y luego resumimos los métodos populares de aprendizaje automático en el
flujo de trabajo de imágenes, incluida la segmentación, el diagnóstico y el pronóstico.
También se introducen varios conjuntos de datos disponibles públicamente. Finalmente,
discutimos varios problemas y desafíos abiertos. Esperamos brindar orientación a
investigadores y radiólogos a través de esta revisión. Tenga en cuenta que revisamos
los estudios de COVID-19 basados en imágenes médicas más relacionados hasta el
31 de marzo de 2020.
II. AI- POTENCIADO C CONTACTO yo MAGING W ORKFLOWS
Los profesionales de la salud son particularmente vulnerables con respecto al alto
riesgo de exposición viral ocupacional. Los especialistas y técnicos en imágenes son
de alta prioridad, por lo que cualquier posible contacto con el virus podría estar bajo
control. Además del equipo de protección personal (EPP), se pueden considerar las
instalaciones y los flujos de trabajo dedicados a la obtención de imágenes, que son
de gran importancia para reducir los riesgos y salvar vidas.
1 http://www.mics.net.cn/
2
A. Flujo de trabajo de imágenes convencionales
La radiografía de tórax y la TC se utilizan ampliamente en el cribado y
diagnóstico de COVID-19 [6-11]. Es importante emplear un flujo de trabajo de
adquisición de imágenes automatizado y sin contacto para evitar los riesgos
graves de infección durante la pandemia de COVID-19. Sin embargo, el flujo de
trabajo de imágenes convencional incluye un contacto inevitable entre técnicos
y pacientes. Especialmente, en el posicionamiento del paciente, los técnicos
primero ayudan a colocar al paciente de acuerdo con un protocolo dado, como
cabeza primero versus pies primero, y supino versus prono en la TC, seguido
de la identificación visual de la ubicación de la parte del cuerpo objetivo en el
paciente y manualmente. ajustar la posición relativa y la pose entre el paciente
y el tubo de rayos X. Este proceso pone a los técnicos en estrecho contacto con
los pacientes, lo que conlleva un alto riesgo de exposición viral. Así,
B. Flujo de trabajo de imágenes potenciado por IA
Muchos sistemas modernos de rayos X y TC están equipados con cámaras para la
monitorización de pacientes [13-16]. Durante el brote de COVID-19, esos dispositivos
brindaron la oportunidad de establecer un flujo de trabajo de escaneo sin contacto. Los
técnicos pueden monitorear al paciente desde la sala de control a través de una
transmisión de video en vivo desde la cámara. Sin embargo, solo desde la vista aérea
de la cámara, sigue siendo un desafío para el técnico determinar los parámetros de
escaneo, como el rango de escaneo. En este caso, la IA es capaz de automatizar el
proceso [17-25] identificando la pose y la forma del paciente a partir de los datos
adquiridos con sensores visuales como RGB, imágenes de presión de tiempo de vuelo
(TOF) [26] o cámaras térmicas (FIR). Por tanto, se pueden determinar los parámetros
de exploración óptimos.
Un parámetro de escaneo típico que se puede estimar con sensores visuales
habilitados por IA es el rango de escaneo que define las posiciones inicial y final de la
tomografía computarizada. El rango de exploración se puede identificar detectando las
articulaciones anatómicas del sujeto a partir de las imágenes. Gran parte del trabajo
reciente [27-29] se ha centrado en estimar las ubicaciones de los puntos clave 2D [30-35] o
3D [28, 36-39] en el cuerpo del paciente. Estos puntos clave suelen incluir articulaciones
importantes como el cuello, los hombros, los codos, los tobillos, las muñecas y las rodillas.
Wang et al. [ 40] ha demostrado que dicho flujo de trabajo automatizado puede mejorar
significativamente la eficiencia del escaneo y reducir la exposición innecesaria a la
radiación. Sin embargo, estos puntos clave suelen representar sólo una muestra muy
escasa de la malla 3D completa [41] en el espacio 3D (que define el cuerpo humano
digital).
La IA puede inferir otros parámetros de escaneo importantes, incluido el centrado
ISO. El centrado ISO se refiere a alinear la región del cuerpo objetivo del sujeto, de
modo que el centro de la región del cuerpo objetivo se superponga con el centro ISO
del escáner y, por lo tanto, la calidad general de la imagen sea óptima. Los estudios
han demostrado que, con un mejor centrado de ISO, se puede reducir la dosis de
radiación manteniendo una calidad de imagen similar [42]. Para alinear la región del
cuerpo objetivo con el centro ISO, y dado que los puntos clave anatómicos
generalmente representan solo una muestra muy escasa de la malla 3D completa en el
espacio 3D (que define el cuerpo humano digital), Georgakis et al. [ 43] proponen
recuperar la malla humana a partir de una sola imagen RGB monocular utilizando un

modelo humano paramétrico SMPL [44]. A diferencia de otros estudios relacionados [45],
emplean un razonamiento cinemático jerárquico para cada cadena cinemática del paciente
para refinar iterativamente la estimación de cada punto clave anatómico para mejorar la
robustez del sistema ante desorden y oclusiones parciales alrededor de las articulaciones
del paciente. Singh et al. [ 18] presentan una técnica, que utiliza datos de sensores de
profundidad, para recuperar una malla de paciente en 3D completa ajustando los datos de
profundidad a un modelo de malla humana paramétrico basado en puntos de referencia
anatómicos detectados a partir de una imagen RGB. Una solución reciente propuesta por
Ren et al. [ 41] aprende un modelo que se puede entrenar una sola vez y tiene la capacidad
de ser aplicado en múltiples aplicaciones basadas en inferencia multimodal dinámica.
Con este marco en aplicación con un sensor de entrada de profundidad RGB, incluso si
una de las modalidades del sensor falla, el modelo anterior aún puede realizar inferencias
del cuerpo del paciente en 3D con los datos restantes.
C. Aplicaciones en COVID-19
Durante el brote de COVID-19, se establecieron varios flujos de trabajo de
imágenes sin contacto esenciales [17, 40, 41], desde la utilización de cámaras de
monitoreo en la sala de escaneo [13-15, 27], o en el dispositivo [46], para
plataformas de TC móviles [17, 46-49] con mejor acceso a los pacientes e
instalación flexible.
Un ejemplo notable es un flujo de trabajo de escaneo automatizado basado en una
plataforma de TC móvil potenciada por tecnologías de IA visual [17], como se muestra en
la Fig. 1 (a). La plataforma móvil es totalmente autónoma con un sistema de diagnóstico y
escaneo previo basado en IA [46]. Fue rediseñado en una sala de escaneo y una sala de
control completamente aislada. Cada habitación tiene su propia entrada para evitar
interacciones innecesarias entre técnicos y pacientes.
Después de ingresar a la sala de exploración, se le indica al paciente, mediante
indicaciones visuales y de audio, que posen en la cama del paciente (Fig. 1 (b)). Los técnicos
pueden observar a través de la ventana y también el video en vivo transmitido desde la
cámara de IA montada en el techo en la sala de escaneo, y corregir la pose del paciente si es
necesario (Fig.
Fig. 1. (a) Una plataforma de TC móvil equipada con un flujo de trabajo de adquisición de imágenes automatizado con inteligencia artificial; (b) Una imagen de ejemplo capturada por la cámara de monitorización del paciente del sistema de TC;
(c) Posicionamiento y escaneo del paciente operado remotamente por un técnico.
3
1 (c)). Una vez que se considera que el paciente está listo, ya sea por el técnico o por
el algoritmo de análisis de movimiento, el algoritmo de posicionamiento del paciente
recuperará automáticamente la pose 3D y la malla completamente reconstruida del
paciente a partir de las imágenes capturadas con la cámara [41]. Con base en la malla
3D, tanto el rango de escaneo como la línea central 3D de la parte del cuerpo objetivo
del paciente se estiman y se convierten en señales de control y parámetros de
escaneo optimizados para que el técnico los verifique. Si es necesario, el técnico
puede realizar ajustes. Una vez verificado, la cama del paciente se alineará
automáticamente con el centro ISO y se moverá al pórtico de TC para escanear. Una
vez adquiridas las imágenes de TC, se procesarán y analizarán con fines de detección
y diagnóstico.
III. AI EN yo Mago S EGMENTACIÓN
La segmentación es un paso esencial en el procesamiento y análisis de imágenes
COVID-19 basado en IA. Delimita las regiones de interés (ROI), por ejemplo, pulmón,
lóbulos, segmentos broncopulmonares y regiones o lesiones infectadas, en la radiografía de
tórax o en las imágenes de TC para una evaluación y cuantificación adicionales.
CT proporciona imágenes 3D de alta calidad para detectar COVID-19. Para
segmentar los ROI en CT, los métodos de aprendizaje profundo se utilizan ampliamente.
Las redes de segmentación populares para COVID-19 incluyen las clásicas U-Net
[50-55], UNet ++ [56, 57], VB-Net [58]. En comparación con la TC, los rayos X son más
accesibles en todo el mundo. Sin embargo, debido a que las costillas se proyectan sobre
los tejidos blandos en 2D y, por lo tanto, confunden el contraste de la imagen, la
segmentación de las imágenes de rayos X es aún más desafiante. Actualmente, no
existe un método desarrollado para segmentar imágenes de rayos X para COVID-19.
Sin embargo, Gaal et al. [ 59] adoptan un Attention-U-Net para la segmentación pulmonar
en imágenes de rayos X para neumonía, y aunque la investigación no se especifica para
COVID-19, el método se puede aplicar al diagnóstico de COVID-19 y otras
enfermedades fácilmente.
Aunque ahora hay trabajos de segmentación limitados directamente relacionados con
COVID-19, muchos artículos consideran la segmentación como un
 4

TABLA I
S UMARIO DE yo Mago S EGMENTACIÓN METRO ÉTODOS EN COVID-19 A PLICACIONES

Literatura Modalidad Método ROI objetivo Solicitud Destacar

Método débilmente supervisado

Zheng et al. [ 50] Connecticut U-Net Pulmón Diagnóstico
por pseudo etiquetas

Pulmón
Cao et al. [ 51] Connecticut U-Net Cuantificación
Lesión

Pulmón

Huang et al. [ 52] Connecticut U-Net Lóbulos pulmonares Cuantificación

lesión

Lóbulos pulmonares
Qi et al. [ 53] Connecticut U-Net Cuantificación
Lesión

U-Net / Pulmón Combinación de métodos 2D y

Gozes et al. [ 54] Connecticut Comercial Diagnóstico
Leson 3D
Software

Li et al. [ 55] Connecticut U-Net Lesión Diagnóstico

Chen et al. [ 56] Connecticut UNet ++ Lesión Diagnóstico

Pulmón
Segmentación conjunta y
Jin et al. [ 57] Connecticut UNet ++ Diagnóstico
clasificación
Lesión

Pulmón

Lóbulos pulmonares
Shan et al. [ 58] Connecticut VB-Net Cuantificación Human-in-the-loop
Segmentos pulmonares

Lesión

Pulmón

Lesión
Comercial
Espiga et al. [ 60] Connecticut Cuantificación
Software
Tráquea

Bronquio

Basado en umbrales
Shen et al. [ 61] Connecticut Lesión Cuantificación
región en crecimiento [62]

proceso necesario en el análisis de COVID-19. La Tabla I resume los trabajos
representativos que involucran la segmentación de imágenes en los estudios de COVID-19.
A. Segmentación de regiones y lesiones pulmonares
lesiones o nódulos son necesarios y, a menudo, se ha considerado una tarea de
detección desafiante. En particular, además de la segmentación, el mecanismo de
atención se informa como un método de localización eficiente en el cribado [59],
que puede adoptarse en las aplicaciones de COVID-19.

En términos de ROI objetivo, las aplicaciones de los métodos de segmentación COVID-19

en

se pueden agrupar principalmente en dos categorías, es decir, los métodos orientados a la B. Métodos de segmentación

región pulmonar y los métodos orientados a las lesiones pulmonares. Los métodos orientados
a la región pulmonar tienen como objetivo separar las regiones pulmonares, es decir, todo el
pulmón y los lóbulos pulmonares, de otras regiones (de fondo) en la TC o los rayos X, lo que
se considera un paso previo en las aplicaciones de COVID-19 [50 -54, 57, 58, 60]. Por
ejemplo, Jin et al. [ 57] proponen una tubería de dos etapas para el cribado de COVID-19 en
imágenes de TC, en las que la región pulmonar completa se detecta primero mediante una
segmentación eficiente
red establecido en UNet ++.
Los métodos orientados a las lesiones pulmonares tienen como objetivo separar las lesiones (o
En la literatura existen numerosas técnicas de segmentación pulmonar con diferentes
propósitos [63-67]. La U-Net es una técnica de uso común para segmentar tanto las
regiones pulmonares como las lesiones pulmonares en las aplicaciones de COVID
[50-53]. La U-Net, un tipo de red totalmente convolucional propuesta por Ronneberger
[68], tiene una arquitectura en forma de U con rutas de señal de codificación y
decodificación simétricas. Las capas del mismo nivel en dos rutas están conectadas por
las conexiones de acceso directo. En este caso, la red puede, por tanto, aprender una
mejor semántica visual, así como contexturas detalladas, lo que es adecuado para la
los segmentación de imágenes médicas.

artefactos de movimiento y metal) en el pulmón de las regiones pulmonares [51-58, 60, 61].

Debido a que las lesiones o nódulos pueden ser pequeños con una variedad de formas y texturas, Se han desarrollado varias U-Net y sus variantes, logrando resultados de
localizando las regiones del segmentación razonables en COVID-19

aplicaciones. Çiçek et al. [ 63] proponen la U-Net 3D que utiliza la información entre
cortes reemplazando las capas en la U-Net convencional con una versión 3D.
Milletari et al. [ 64] proponen el V-Net que utiliza los bloques residuales como
bloque convolucional básico y optimiza la red mediante una pérdida de Dice. Al
equipar los bloques convolucionales con los llamados bloques de cuello de botella,
Shan et al. [ 58] utiliza un VB-Net para una segmentación más eficiente. Zhou et al. [ 65]
Qi et al. segmentar las lesiones pulmonares de los pacientes con COVID-19 utilizando un
proponen UNet ++, que es mucho más complejo que U-Net, ya que la red inserta
una estructura convolucional anidada entre la ruta de codificación y decodificación.
Evidentemente, este tipo de red puede mejorar el rendimiento de la segmentación.
Sin embargo, es más difícil entrenar. Esta red también se utiliza para localizar
lesiones en el diagnóstico de COVID-19 [56]. Los mecanismos de atención
recientemente avanzados pueden aprender la parte más discriminante de las
características de la red. Oktay et al. [ 67] proponen una U-Net de Atención que es
capaz de capturar estructuras finas en imágenes médicas, por lo que es adecuada
para segmentar lesiones y nódulos pulmonares en aplicaciones COVID-19.
El entrenamiento de una red de segmentación sólida requiere suficientes datos
etiquetados. En la segmentación de imágenes COVID-19, los datos de entrenamiento
adecuados para las tareas de segmentación a menudo no están disponibles, ya que la
delimitación manual de las lesiones requiere mucho tiempo y trabajo. Para abordar esto,
un método sencillo es incorporar el conocimiento humano. Por ejemplo, Shan et al. [ 58]
integran la estrategia de humanos en el bucle en el entrenamiento de una red de
segmentación basada en VB-net, que implica interactividad con radiólogos en el
entrenamiento de la red. Qi et al. [ 53] delinear las lesiones en el pulmón utilizando U-Net
con las semillas iniciales dadas por un radiólogo. Varios otros trabajos utilizaron
conocimientos de diagnóstico e identificaron las regiones de infección mediante el
mecanismo de atención [57]. Los métodos de aprendizaje automático débilmente
supervisados también se utilizan cuando los datos de entrenamiento son insuficientes
para la segmentación. Por ejemplo, Zheng et al. [ 50] proponen utilizar un método no
supervisado para generar máscaras de pseudo segmentación para las imágenes. Dado
que la falta de imágenes médicas anotadas es común en la segmentación pulmonar, los
métodos no supervisados y semi-supervisados son muy solicitados para los estudios
de COVID-19.
C. Aplicaciones en COVID-19
La segmentación se puede utilizar en varias aplicaciones de COVID-19, entre las
que se informa con frecuencia el diagnóstico [50, 54-57, 69, 70]. Por ejemplo, Li et al. [ 55]
utilizan U-Net para la segmentación pulmonar en un estudio multicéntrico para
distinguir COVID-19 de la neumonía adquirida en la comunidad en la TC de tórax. Jin et
al. proponen un sistema de IA para el diagnóstico rápido de COVID-19 [57]. La entrada
al modelo de clasificación son los cortes de TC que han sido segmentados por una red
de segmentación.
Otra aplicación de la segmentación de imágenes es la cuantificación [51-53, 58,
60, 61], que además sirve para muchas aplicaciones médicas. Por ejemplo, Shan et
al. [ 58] proponen un VB-Net para la segmentación de pulmón, lóbulos pulmonares
e infección pulmonar, que proporcionan datos de cuantificación precisos para
estudios médicos, incluida la evaluación cuantitativa de la progresión en el
seguimiento, la predicción integral de la gravedad en el
5
inscripción y visualización de la distribución de las lesiones mediante el porcentaje de
infección (POI). Cao et al. [ 51] evalúan la progresión longitudinal de COVID-19 mediante el
uso de la segmentación por TC de opacidades pulmonares basada en aprendizaje
profundo a nivel de vóxel. Huang et al. [ 52] segmento de región pulmonar y GGO para
evaluación cuantitativa, que se utiliza además para monitorear la progresión de COVID-19.
algoritmo basado en U-Net y extraer características radiómicas para predecir la estancia
hospitalaria [53].
En resumen, la segmentación de imágenes juega un papel importante en las
aplicaciones de COVID-19, es decir, en la delineación pulmonar y la medición de
lesiones. Facilita a los radiólogos la identificación precisa de infecciones pulmonares
e impulsa el análisis cuantitativo y el diagnóstico de COVID-19.
IV. AI-A Inscrito re IAGNOSIS
En las áreas de brote, los pacientes sospechosos de COVID-19 tienen una necesidad
urgente de diagnóstico y tratamiento adecuado. Debido a la rápida adquisición, las radiografías
y las tomografías computarizadas se realizan ampliamente para proporcionar evidencias a los
radiólogos. Sin embargo, las imágenes médicas, especialmente la TC de tórax, contienen
cientos de cortes, lo que a los especialistas les lleva mucho tiempo diagnosticar. Además, el
COVID-19 como enfermedad nueva tiene manifestaciones similares con varios otros tipos de
neumonía, lo que requiere que los radiólogos acumulen muchas experiencias para lograr un
alto rendimiento diagnóstico. Por lo tanto, el diagnóstico asistido por IA utilizando imágenes
médicas es muy deseable. La Tabla II enumera los estudios de vanguardia más relevantes en
esta dirección.
A. Detección de COVID-19 basada en rayos X
Las imágenes de rayos X generalmente se consideran menos sensibles que las imágenes de
TC de tórax en 3D, a pesar de ser la modalidad de imagen típica de primera línea utilizada para
pacientes bajo investigación de COVID-19. Un estudio reciente informó que los rayos X muestran
valores normales en la enfermedad temprana o leve [71]. En particular, se encuentran
radiografías de tórax anormales en el 69% de los pacientes en el momento inicial del ingreso y en
el 80% de los pacientes algún tiempo después durante la hospitalización [71].
Los signos radiológicos incluyen opacidades del espacio aéreo, opacidad en vidrio
deslustrado (GGO) y consolidación posterior. Se observan principalmente distribuciones
bilaterales, periféricas y predominantes de la zona inferior (90%). El derrame pleural es raro
(3%) en comparación con las anomalías parenquimatosas [71].
Se ha explorado la clasificación de COVID-19 de otras neumonías y sujetos
sanos. Ghoshal et al. [ 72]
proponen una red neuronal convolucional bayesiana para estimar las imágenes de
la incertidumbre del diagnóstico en la predicción de COVID-19. El conjunto de datos de
rayos X de pacientes con COVID-19 que se obtienen a partir de imágenes de rayos X
COVID-19 en línea de 70 pulmones [73] y las imágenes que no son de COVID-19 son Los
de tórax de Kaggle (neumonía). mejora la precisión de detección de los mapas del
resultados experimentales muestran que la inferencia bayesiana oscila entre el 85,7% y el
modelo VGG16 estándar para ilustrar las ubicaciones enfocadas por la red profunda,
92,9%. Los autores generan más relevancia, mejoran la comprensión de los resultados del
para facilitar un proceso de toma de decisiones más informado.
aprendizaje profundo y
 6

TABLA II
R ESTUDIOS ELATADOS CON IMÁGENES MÉDICAS PARA AI- DIAGNÓSTICO ASISTIDO DE COVID-19

Literatura Modalidad Asignaturas Tarea Método Resultado

70 COVID-19
Clasificación: COVID-19 /
Ghoshal et al. [ 72] Radiografía CNN 92,9% (Acc.)
Otros
Otros (# de sujetos no
disponible)

50 COVID-19
Clasificación: COVID-19 /
Narin et al. [ 9] Radiografía ResNet50 98.0% (Acc.)
Normal
50 Normal

70 COVID-19 96,0% (Sens.)

Clasificación: COVID-19 /
Zhang y col. [74] Radiografía ResNet 70,7% (espec.)
Otros
1008 Otros 0,952 (AUC)

45 COVID-19
Clasificación:
931 Bac. Pneu. COVID-19/
Wang et al. [ 11] Radiografía Bac. Pneu./ CNN 83.5% (Acc.)
660 Vir. Pneu. Vir. Pneu./
Normal
1203 Normal

51 COVID-19 95,2% (Acc.)

Clasificación: COVID-19 /
Chen et al. [ 56] Connecticut UNet ++ 100% (Sens.)
Otros
55 Otros 93,6% (espec.)

313 COVID-19 90,7% (Sens.)

Clasificación: COVID-19 / U-Net
Zheng et al. [ 50] Connecticut 91,1% (espec.)
Otros CNN
229 Otros 0,959 (AUC)

496 COVID-19
Clasificación: COVID-19 / 94,1% (Sens.)
Jin et al. [ 69] Connecticut CNN
Otros 95,5% (espec.)
1385 Otros

723 COVID-19
Clasificación: COVID-19 / UNet ++ 97,4% (Sens.)
Jin et al. [ 57] Connecticut
Otros CNN 92,2% (espec.)
413 Otros

44 COVID-19
Clasificación: COVID-19 /
Wang et al. [ 75] Connecticut CNN 82,9% (Acc.)
Vir. Pneu.
55 Vir. Pneu.

88 COVID-19
Clasificación: COVID-19 /
Ying et al. [ 70] Connecticut 100 Bac. Pneu. Bac. Pneu./ ResNet-50 86.0% (Acc.)
Normal
86 Normal

219 COVID-19
Clasificación: COVID-19 /
Xu et al. [ 76] Connecticut 224 Influ.-A Influ.-A / CNN 86,7% (Acc.)
Normal
175 Normal

468 COVID-19
Clasificación: COVID-19 /
90,0% (Sens.)
Li et al. [ 55] Connecticut 1551 CAP GORRA/ ResNet-50
96,0% (espec.)
Non-pneu.
1445 No neum.

1658 COVID-19 87,9% (Acc.)

Clasificación:
Shi et al. [ 77] Connecticut RF 90,7% (Sens.)
COVID-19 / CAP
1027 CAP 83,3% (espec.)

87,5% (Acc.)
Espiga et al. [ 78] Connecticut 176 COVID-19 Evaluación de gravedad RF 93,3% (TPR)
74,5% (TNR)

Bac. Pneu .: neumonía bacteriana; Vir. Pneu .: neumonía viral; Influ.-A: Influenza-A; No neumonía: No neumonía

Narin et al. [ 9] proponen tres modelos diferentes de aprendizaje profundo,
es decir, ResNet50, InceptionV3 e Inception-ResNetV2, para detectar la infección por
COVID-19 a partir de imágenes de rayos X. Vale la pena señalar que el conjunto de datos
COVID-19 [73] y las imágenes de rayos X de tórax de Kaggle (neumonía) también se utilizan
para formar el conjunto de datos en este estudio. Se incluyen imágenes de rayos X de tórax
de 50 pacientes con COVID-19 y 50 imágenes de rayos X de tórax normales. Los resultados
de la evaluación muestran que el modelo ResNet50 logra el rendimiento de clasificación más
alto con una precisión del 98.0%, en comparación con
97,0% de precisión por InceptionV3 y 87% de precisión por
Inception-ResNetV2.
Zhang et al. [ 74] presentan un modelo basado en ResNet para detectar COVID-19 a
partir de imágenes de rayos X. Este modelo tiene dos tareas, es decir, una tarea para la
clasificación entre COVID-19 y no COVID-19, y otra tarea para la detección de
anomalías. La tarea de detección de anomalías otorga una puntuación de anomalía para
optimizar la puntuación COVID-19 utilizada para la clasificación. Las imágenes de rayos
X de 70 pacientes con COVID-19 y 1008 pacientes con neumonía sin COVID-19 se
incluyen en estos dos conjuntos de datos. La sensibilidad y la especificidad son 96,0% y
70,7%, respectivamente, junto con un AUC de 0,952.
Además, Wang et al. [ 11] proponen un modelo basado en una red neuronal convolucional
profunda (COVID-Net) para detectar casos de COVID-19 utilizando imágenes de rayos X.
De manera similar, a partir de estos dos conjuntos de datos, el conjunto de datos incluye
5941 imágenes de rayos X de tórax de 1203 personas sanas, 931 pacientes con neumonía
bacteriana, 660 pacientes con neumonía viral y 45 pacientes con COVID-19. El COVID-Net
obtiene una precisión de prueba del 83,5%.
En general, la mayoría de los estudios actuales utilizan imágenes de rayos X para
clasificar entre COVID-19 y otras neumonías y sujetos sanos. Las imágenes provienen
principalmente de dos conjuntos de datos en línea, en los que solo hay 70 imágenes
de pacientes con COVID-19. Con este número limitado de imágenes de COVID-19, es
insuficiente para evaluar la robustez de los métodos y también plantea preguntas a la
generalización con respecto a aplicaciones en otros centros clínicos. Además, se
desconoce la gravedad de los sujetos; el trabajo futuro podría enfatizar la detección
temprana de COVID-19.
B. Detección y evaluación de la gravedad de COVID-19 basada en TC
Patrones radiológicos dinámicos en imágenes de TC de tórax de
El COVID-19 se ha informado y resumido en 4 etapas [79]. considerada como la
Brevemente, 0 a 4 días después del inicio del síntoma inicial es subpleural en los
etapa inicial. Se pudo observar GGO etapa progresiva es de 5-8 días donde GGO
lóbulos inferiores unilateral o bilateralmente. El patrón, e incluso la consolidación que
difuso, multilóbulos bilaterales enloquecedores. En la etapa pico (9-13 días), la
se podría encontrar distribuyéndose en la consolidación, se vuelve más frecuente.
densa se vuelve controlada, aparece la etapa de absorción (generalmente después
Cuando la infección 14 días). La consolidación y el patrón de pavimentación loca
de absorbido y solo queda GGO. Estos patrones radiológicos evaluación de la
proporcionan gradualmente evidencias importantes para la clasificación y
severidad del COVID-19.
1) Clasificación de COVID-19 de no COVID-19. Hay de sujetos no
son una serie de estudios que tienen como objetivo separar a los pacientes con COVID-19
COVID-19 (que incluyen comunes
sujetos con neumonía y sujetos sin neumonía). Chen et al.
7
[56] emplean imágenes de TC de tórax de 51 pacientes con COVID-19 y 55 pacientes
con otras enfermedades para entrenar un modelo de segmentación basado en UNet ++.
Este modelo se encarga de segmentar las lesiones relacionadas con COVID-19. La
etiqueta final (COVID-19 o no COVID-19) se determina en función de las lesiones
segmentadas. Los resultados de la evaluación de la clasificación COVID-19 utilizando el
modelo propuesto son 95.2% (Precisión), 100% (Sensibilidad) y
93,6% (especificidad). En un conjunto de datos adicional que incluye 16 pacientes con
neumonía viral y 11 pacientes sin neumonía, el modelo propuesto podría identificar a todos
los pacientes con neumonía viral y 9 de los pacientes sin neumonía. El tiempo de lectura de
los radiólogos se reduce en un 65% con la ayuda de los resultados de la IA.
En [50] se propone un modelo basado en U-Net + 3D CNN (DeCoVNet). El U-Net
se usa para la segmentación pulmonar, y el resultado de la segmentación se usa
como entrada de la CNN 3D para predecir la probabilidad de COVID-19. Las
imágenes de TC de tórax de 540 sujetos (es decir, 313 con COVID-19 y 229 sin
COVID-19) se utilizan como datos de entrenamiento y prueba. El modelo propuesto
alcanza una sensibilidad del 90,7%, una especificidad del 91,1% y un AUC de 0,959.
Jin et al. [ 69] utilizan imágenes de TC de tórax de 496 casos positivos de COVID-19 y
1385 casos negativos. Se propone un modelo 2D basado en CNN para segmentar el
pulmón y luego identificar cortes de casos positivos de COVID-19. Los resultados
experimentales muestran que el modelo propuesto alcanza una sensibilidad del 94,1%,
una especificidad del 95,5% y un AUC de 0,979.
En otro trabajo, Jin et al. [ 57] incluyen imágenes de TC de tórax de 1136 casos
(es decir, 723 COVID-19 positivos y 413 COVID-19 negativos) en el estudio. Su
modelo propuesto contiene un modelo de segmentación basado en UNet ++ y un
modelo de clasificación basado en ResNet50. El modelo de segmentación se utiliza
para resaltar las regiones de lesión para el modelo de clasificación. En el
experimento, la sensibilidad y la especificidad utilizando el modelo combinado
propuesto de UNet ++ y ResNet50 son 97,4% y 92,2%, respectivamente.
2) Clasificación de COVID-19 de otras neumonías.
Dado que la neumonía común, especialmente la neumonía viral, tiene un
aspecto radiológico similar al COVID-19, su diferenciación sería más útil para
facilitar el proceso de detección en la práctica clínica. Por tanto, en [75] se
propone un modelo CNN para clasificar entre COVID-19 y la neumonía viral
típica. Se utilizan imágenes de TC de tórax de 99 pacientes (es decir, 44
COVID-19 y 55 neumonía viral típica). Los cortes derivados de cada imagen de
TC 3D se utilizan como entrada de la CNN propuesta. El conjunto de datos de
prueba muestra una precisión total de
73,1%, junto con una especificidad del 67,0% y una sensibilidad de
74,0%.
Ying et al. [ 70] proponen un sistema de diagnóstico por TC basado en el aprendizaje
profundo (llamado DeepPneumonia, usando ResNet50) para detectar pacientes con
COVID-19 de pacientes con neumonía bacteriana y personas sanas. Las imágenes de
TC de tórax de 88 pacientes con COVID-19, 101 pacientes con neumonía bacteriana y 86
personas sanas se utilizan como datos de entrenamiento y prueba. Las secciones de
pulmones completos se derivan de las imágenes de TC de tórax, que son las entradas de
DeepPneumonia. El modelo logra resultados prometedores con una precisión del 86,0%
para la clasificación de la neumonía (COVID-19 o neumonía bacteriana) y una precisión
del 94,0%

para el diagnóstico de neumonía (COVID-19 o saludable). Xu et al. [ 76] utilizan
imágenes de TC de tórax de 219 pacientes con COVID-19, 224 pacientes con
Influenza-A y 175 personas sanas. Primero se utiliza un modelo de aprendizaje
profundo basado en V-Net para segmentar las regiones de infección candidatas. Los
parches de las regiones de infección se envían a la red Resnet-18 junto con las
características de la distancia de infección relativa desde el borde, y la salida es uno
de estos tres grupos. El modelo alcanza una precisión general del 86,7%.
Li et al. [ 55] utilizó un gran conjunto de datos de TC de tórax, que contiene 4356
imágenes de TC de tórax (es decir, 1296 COVID-19, 1735 neumonía adquirida en la
comunidad y 1325 no neumonía) de 3322 pacientes. Se utiliza un modelo ResNet50
(COVNet) en rebanadas 2D con pesos compartidos y se combina con la combinación
máxima para discriminar COVID-19 de la neumonía adquirida en la comunidad (CAP)
y la no neumonía. Los resultados muestran una sensibilidad del 90%, una
especificidad del 96% y un AUC de 0,96 en la identificación de COVID-19.
Shi et al. [ 77] emplearon imágenes de TC de tórax de 2685 pacientes, de los cuales 1658
pacientes son de COVID-19 y 1027 pacientes son de neumonía común. En la etapa de
preprocesamiento, se adopta un VB-Net [58] para segmentar la imagen en el pulmón izquierdo /
derecho, 5 lóbulos pulmonares y 18 segmentos pulmonares. Se calculan y utilizan una serie de
características hechas a mano para entrenar un modelo de bosque aleatorio. Los resultados
experimentales muestran una sensibilidad del 90,7%, una especificidad de
83,3% y precisión del 87,9%. Además, los resultados de las pruebas se agrupan según el
tamaño de la infección, lo que muestra que los pacientes con infecciones pequeñas tienen baja
sensibilidad para ser identificados.
3) Evaluación de la gravedad de COVID-19. Además temprano
cribado, el estudio de evaluación de la gravedad también es importante para la planificación
del tratamiento. Espiga et al. [ 78] propuso un modelo basado en RF para la evaluación de la
gravedad de COVID-19 (no grave o grave). Se utilizan imágenes de TC de tórax de 176
pacientes con COVID-19 conformado. Se adopta un método de aprendizaje profundo VB-Net
[77] para dividir el pulmón en subregiones anatómicas (p. Ej., Lóbulos y segmentos), según el
cual se calculan los volúmenes de infección y las proporciones de cada subregión anatómica y
se utilizan como características cuantitativas para entrenar un modelo de RF. Los resultados
muestran una tasa de verdaderos positivos del 93,3%, una tasa de verdaderos negativos del
74,5% y una precisión del 87,5%.
En resumen, se han propuesto una variedad de estudios para el diagnóstico de
COVID-19 basado en TC con resultados generalmente prometedores. En el siguiente
paso, la investigación sobre la detección de COVID-19 podría facilitar la detección
temprana para ayudar con la incertidumbre del diagnóstico de los radiólogos. Además, la
predicción de la gravedad es de gran importancia que podría ayudar a estimar el evento
de la UCI o la decisión clínica de la planificación del tratamiento, lo que amerita más
investigación.
V. AI EN F ACUERDO S TUDIES
Con el objetivo de evaluar la respuesta del paciente e investigar sus
problemas potenciales después del tratamiento clínico, el paso de seguimiento
juega un papel importante en el tratamiento del COVID-19. Con respecto al largo
período de incubación de COVID-19 y su infectividad popular, diseñar el
procedimiento de seguimiento potenciado por IA para COVID-19 es un desafío.
Como la mayoría de los trabajos actuales se centran en el pre-diagnóstico de
8
COVID-19, notamos que los trabajos para estudiar el seguimiento de COVID-19
aún son muy limitados. Según nuestro conocimiento, solo hay algunos intentos.
Por ejemplo, los investigadores de Shanghai United Imaging Intelligence (UII)
intentan utilizar el método basado en el aprendizaje automático y las técnicas de
visualización para demostrar el cambio del tamaño del volumen, la densidad y
otros factores clínicos relacionados en las regiones de infección del paciente.
Después de eso, el informe clínico se genera automáticamente para reflejar estos
cambios como una guía basada en datos para que los especialistas clínicos
determinen el siguiente procedimiento (Fig. 2). Además, el equipo de Perception
Vision Company (PVmed) proporcionó otra solución de seguimiento para
COVID-19. Intentaron construir un modelo contrastivo para reflejar el cambio de
diferentes imágenes de TC del mismo paciente, alineando las regiones de
infección y observando la tendencia cambiante de estos valores cuantitativos.
Varias otras empresas e institutos también están desarrollando la función de
seguimiento en sus plataformas de software actualmente. Subsidiariamente,
Huang et al. [ 52] recopilan y analizan 126 pacientes mediante el cálculo del
porcentaje de opacificación pulmonar por TC. Encuentran que la cuantificación de
la afectación pulmonar podría emplearse para reflejar la progresión de la
enfermedad de COVID-19, lo que es útil para el estudio de seguimiento.
Vale la pena señalar que los especialistas clínicos están dedicando sus
esfuerzos al diagnóstico y tratamiento de COVID-19. Así, los trabajos para estudiar
el seguimiento de COVID-19 aún se encuentran en una etapa inicial y siguen siendo
un tema abierto. Creemos que las técnicas previas y el trabajo desarrollado en
segmentación, diagnóstico, cuantificación y evaluación podrían usarse para guiar el
desarrollo de un estudio de seguimiento potenciado por IA para COVID-19.
VI. PAGS UBLIC yo MAGING re ATASETS PARA COVID-19
La recopilación de datos es el primer paso para desarrollar métodos de aprendizaje automático para
aplicaciones COVID-19. Aunque existen grandes conjuntos de datos públicos de tomografía
computarizada o rayos X para enfermedades pulmonares, tanto las radiografías como las tomografías
computarizadas para aplicaciones de COVID-19 no están ampliamente disponibles en la actualidad, lo
que dificulta en gran medida la investigación y el desarrollo de métodos de IA. Recientemente, se han
informado varios trabajos sobre la recopilación de datos de COVID-19.
Cohen et al. [ 73] crea la colección de datos de imágenes COVID-19 mediante el
ensamblaje de imágenes médicas de sitios web y publicaciones, y actualmente contiene
123 radiografías de vista frontal. El conjunto de datos de COVID-CT [80] incluye 288
cortes de CT para los casos confirmados de COVID-19 hasta el momento. Se recopila
de más de 700 publicaciones preimpresas sobre COVID-19 demedRxiv y bioRxiv. La
Iniciativa Coronacases también comparte casos confirmados de COVID-19 en el sitio
web (https://coronacases.org). Actualmente, incluye imágenes de TC en 3D de 10 casos
confirmados de COVID-19. También,
el COVID-19 Connecticut segmentación conjunto de datos
(http://medicalsegmentation.com/covid19/) contiene 100 cortes axiales de TC de 60 pacientes
con segmentaciones manuales, en forma de imágenes JPG. Vale la pena señalar que los
conjuntos de datos públicos actuales todavía tienen una cantidad muy limitada de imágenes
para el entrenamiento y la prueba de algoritmos de IA, y la calidad de los conjuntos de datos
no es suficiente.

Fig. 2. La medición de seguimiento para un paciente con COVID-19.
VII. re ISCUSIÓN Y F TRABAJO FUTURO
La IA se ha aplicado con éxito a todo el proceso del diagnóstico basado en
imágenes de COVID-19. Sin embargo, aún quedan muchos trabajos por
realizar en el futuro.
Como se mencionó, los flujos de trabajo de adquisición de imágenes con inteligencia
artificial han demostrado que el procedimiento de escaneo no solo más eficiente, pero
también eficaz para proteger al personal médico de la infección por COVID-19. De cara al
futuro, se espera que se integren más aplicaciones con inteligencia artificial en el flujo de
trabajo de adquisición de imágenes, para facilitar una mejor calidad de escaneo y una
menor dosis de radiación consumida por los pacientes. Por ejemplo, se requiere un
centrado ISO automatizado más preciso basado en IA y una determinación del rango de
escaneo para garantizar una calidad de imagen óptima. Además, los parámetros de
exposición a los rayos X se pueden calcular y optimizar automáticamente con el grosor de
la región corporal del paciente inferido por IA, lo que garantiza que se utilice la cantidad
justa de radiación durante el escaneo, lo cual es particularmente importante para las
imágenes de dosis baja.
Las imágenes médicas suelen mostrar signos radiológicos negativos en la etapa inicial
de la enfermedad, por lo que el estudio de esta etapa es importante para ayudar con la
incertidumbre del diagnóstico clínico. Mientras tanto, muchos estudios actuales de IA para
la segmentación y el diagnóstico se basan en muestras pequeñas, lo que puede llevar a un
ajuste excesivo de los resultados. Para que los resultados sean clínicamente útiles, es
necesario mejorar aún más la calidad y el número de datos. Por lo tanto, se deben construir
más conjuntos de datos para incluir las imágenes de rayos X y TC recopiladas
clínicamente.
El aprendizaje profundo se ha convertido en el enfoque dominante en la lucha contra
COVID-19. Sin embargo, los datos de imágenes en las aplicaciones COVID-19 pueden
tener etiquetas incompletas, inexactas e inexactas, lo que representa un desafío para
entrenar una red de segmentación y diagnóstico precisa. De esta manera, se podrían
aprovechar los métodos de aprendizaje profundo débilmente supervisados. Además,
etiquetar manualmente los datos de imágenes es caro y requiere mucho tiempo, lo que
también fomenta la investigación de
9
métodos de aprendizaje profundo auto-supervisados y aprendizaje profundo de transferencia.
También se deben promover estudios multicéntricos sobre COVID-19.
El seguimiento es fundamental para diagnosticar COVID-19 y evaluar el tratamiento.
Aunque todavía hay estudios limitados, creemos que se podrían tomar prestados los
métodos de otros estudios relacionados.
1) En el pronóstico de otras enfermedades de neumonía, la metodología basada en el
aprendizaje automático podría inspirar el estudio de seguimiento de COVID-19 [81-84]. 2)
El seguimiento dentro y fuera de los hospitales podría combinarse como un seguimiento a
largo plazo para los pacientes con COVID. 3) La integración multidisciplinaria, es decir, las
imágenes médicas [85], el procesamiento del lenguaje natural [86] y la oncología y la
fusión [86], podrían beneficiar el procedimiento de seguimiento general de medición de
COVID-19.
VIII. C ONCLUSIÓN
El COVID-19 es una enfermedad que se ha extendido por todo el mundo. Las
imágenes médicas inteligentes han jugado un papel importante en la lucha contra
COVID-19. Este documento analiza cómo la IA proporciona soluciones de imágenes
seguras, precisas y eficientes en las aplicaciones COVID-19. Las plataformas de
imágenes inteligentes, el diagnóstico clínico y la investigación pionera se revisan en
detalle, lo que cubre toda la línea de aplicaciones de imágenes habilitadas por IA en
COVID-19. Dos modalidades de imagen,
es decir, rayos X y TC, se utilizan para demostrar la eficacia de las imágenes médicas
potenciadas por IA para COVID-19.
Vale la pena señalar que las imágenes solo proporcionan información parcial
sobre los pacientes con COVID-19. Es importante combinar los datos de imágenes
con las manifestaciones clínicas y los resultados de los exámenes de laboratorio
para ayudar a la detección, detección y diagnóstico de COVID-19. En este caso,
creemos que la IA demostrará su capacidad para fusionar información de estos
datos de múltiples fuentes, para realizar un diagnóstico, análisis y seguimiento
precisos y eficientes.
 10

R EFERENCIAS https://www.gehealthcare.com/products/computed-tomography/revol ution-maxima

[1] OMS. (5 de abril de 2020). Situación de la enfermedad por coronavirus 2019 (COVID-19)
[25] RÁPIDO integrado flujo de trabajo. Disponible:
Reporte - 76. Disponible:
https://new.siemens.com/global/en/company/stories/research-technol ogies /
https://www.who.int/docs/default-source/coronaviruse/situation-repor ts /
artificial-intelligence / artificial-intelligence-Imagine Techniques. html
20200405-sitrep-76-covid-19.pdf
[2] OMS. ( 2020, 30 de enero de 2020). Declaración sobre la segunda reunión del Comité de
[26] L. Casas, N. Navab y S. Demirci, "Estimación de la postura del cuerpo en 3D del paciente a partir de
Emergencias del Reglamento Sanitario Internacional (2005) sobre el brote del nuevo imágenes de presión", Revista Internacional de Radiología y Cirugía Asistidas por Computadora, vol. 14,
coronavirus (2019-nCoV). págs.517-524, 2019.
[3] OMS. (2020). Palabras de apertura del Director General en la rueda de prensa sobre
[27] Z. Cao, T. Simon, S.-E. Wei y Y. Sheikh, "Estimación de pose 2d de varias personas en tiempo real
COVID-19.
utilizando campos de afinidad de partes", en Actas de la Conferencia IEEE sobre visión por
[4] T. Ai, Z. Yang, H. Hou, C. Zhan, C. Chen, W. Lv, et al. " Correlación de las pruebas de TC de
computadora y reconocimiento de patrones, 2017, págs. 7291-7299.
tórax y RT-PCR en la enfermedad por coronavirus 2019 (COVID-19) en China: Informe de
1014 casos " Radiología, pags. 200642,
[28] W. Yang, W. Ouyang, X. Wang, J. Ren, H. Li y X. Wang, "Estimación de la pose humana en 3D
2020. en la naturaleza mediante el aprendizaje adversario", en
[5] T. Liang, Manual de prevención y tratamiento de COVID-19, 2020.
Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones, 2018,
[6] JP Kanne, "Hallazgos de TC de tórax en infecciones por el nuevo coronavirus
págs.5255-5264.
(2019-nCoV) de 2019 en Wuhan, China: puntos clave para el radiólogo", Radiología, pags.
[29] S. Liu y S. Ostadabbas, "Ver debajo de la portada: un enfoque de aprendizaje guiado por la física
200241, 2020.
para la estimación de la postura en la cama", en Conferencia Internacional sobre Computación de
[7] A. Bernheim, X. Mei, M. Huang, Y. Yang, ZA Fayad, N. Zhang, et al. " Hallazgos de TC de
Imágenes Médicas e Intervención Asistida por Computadora, 2019, págs.236-245.
tórax en la enfermedad por coronavirus 19 (COVID-19): relación con la duración de la
infección " Radiología, pags. 200463, 2020.
[30] A. Toshev y C. Szegedy, "Profundizar: estimación de la pose humana a través de redes neuronales
[8] X. Xie, Z. Zhong, W. Zhao, C. Zheng, F. Wang y JJR Liu, "TC de tórax para la neumonía
profundas", en Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de
típica de 2019-nCoV: relación con la prueba de RT-PCR negativa", Radiología, pags.
patrones, 2014, págs. 1653-1660.
200343, 2020.
[31] K. Sun, B. Xiao, D. Liu y J. Wang, "Aprendizaje profundo de representación de alta resolución
[9] A. Narin, C. Kaya y Z. Pamuk, "Detección automática de la enfermedad por coronavirus
para la estimación de pose humana", en Actas de la Conferencia IEEE sobre visión por
(COVID-19) mediante imágenes de rayos X y redes neuronales convolucionales profundas",
computadora y reconocimiento de patrones,
arXiv: 2003.10849, 2020. 2019, págs. 5693-5703.
[10] ID Apostolopoulos y T. Bessiana, "Covid-19: Detección automática de imágenes de rayos X
[32] W. Tang, P. Yu y Y. Wu, "Modelos de composición profundamente aprendidos para la estimación
utilizando el aprendizaje por transferencia con redes neuronales convolucionales", arXiv:
de la pose humana", en Actas de la Conferencia Europea de Visión por Computador (ECCV), 2018,
2003.11617, 2020.
págs.190-206.
[11] L. Wang y A. Wong, "COVID-Net: Un diseño de red neuronal convolucional profunda a medida para
[33] B. Xiao, H. Wu e Y. Wei, "Líneas de base simples para la estimación y el seguimiento de la
la detección de casos de COVID-19 a partir de las imágenes de radiografía más vivas", arXiv:
postura humana", en Actas de la conferencia europea sobre visión por computadora (ECCV), 2018,
2003.09871 2020.
págs. 466-481.
[12] LA Bullock Joseph, Pham Katherine Hoffmann, Lam Cynthia, Luengo-Oroz [34] Y. Luo, J. Ren, Z. Wang, W. Sun, J. Pan, J. Liu, et al. " Máquinas de pose LSTM, "en Actas
Miguel A., "Mapeo del panorama de las aplicaciones de inteligencia artificial de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones, 2018,
contra COVID-19", arXiv: 2003.11336, págs. 5207-5215.
2020. [35] X. Nie, J. Feng, Y. Zuo y S. Yan, "Estimación de la pose humana con aprendizaje inducido por
[13] J H. Lee, D.-i. Kim y M.-k. Cho, "Aparato de tomografía computarizada y método análisis", en Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de
de control de rayos X mediante el mismo", ed: Google Patents, 2017. patrones, 2018, págs.2100-2108.
[36] G. Varol, D. Ceylan, B. Russell, J. Yang, E. Yumer, I. Laptev, et al.,
[14] P. Forthmann y G. Pfleiderer, "Dispositivo de pantalla aumentada para su uso en un laboratorio de
"Bodynet: inferencia volumétrica de formas del cuerpo humano en 3D", en
imágenes médicas", ed .: Google Patents, 2019.
Actas de la Conferencia Europea de Visión por Computador (ECCV),
[15] VT Jensen, "Método y sistema de adquisición de imágenes con un dispositivo de imágenes
2018, págs.20-36.
médicas", ed .: Google Patents, 2009.
[37] H. Rhodin, M. Salzmann y P. Fua, "Representación consciente de la geometría no supervisada
[dieciséis] S. Scheib, "Dispositivos, sistemas y métodos de verificación dosimétrica de extremo a extremo", ed:
para la estimación de la pose humana en 3D", en Actas de la Conferencia Europea de Visión
Google Patents, 2019.
por Computador (ECCV), 2018, págs. 750-767.
[17] Los departamentos de radiología de emergencia de United Imaging brindan soporte a los hospitales de
cabina móvil y facilitan el diagnóstico remoto 5G. Disponible:
[38] G. Pavlakos, L. Zhu, X. Zhou y K. Daniilidis, "Aprender a estimar la pose y la forma humana en 3D
https://www.prnewswire.com/news-releases/united-imagings-emerge a partir de una imagen de un solo color", en Actas de la Conferencia IEEE sobre visión por
ncy-radiology-departments-support-mobile-cabin-hospital-facilite- computadora y reconocimiento de patrones,
5g-remote-diagnosis-301010528.html 2018, págs. 459-468.
[18] VK Singh, K. Ma, B. Tamersoy, Y. Chang, A. Wimmer, TF Odonnell, et al. " DARWIN:
[39] V. Srivastav, T. Issenhuth, A. Kadkhodamohammadi, M. de Mathelin,
Representación deformable del avatar del paciente con una red de imágenes profunda, "en Computación
A. Gangi y NJ apa Padoy, "MVOR: un conjunto de datos de sala de operaciones RGB-D de
de imágenes médicas e intervención asistida por computadora, 2017, págs. 497-504. múltiples vistas para la estimación de la pose humana en 2D y 3D",
arXiv: 1808.08180, 2018.
[19] V. Singh, Y.-J. Chang, K. Ma, M. Wels, G. Soza y T. Chen, "Estimación de un modelo de
[40] Y. Wang, X. Lu, J. Liu, X. Li, R. Hu, X. Meng, et al. " Exploración pulmonar precisa y reducción de
superficie del paciente para optimizar el flujo de trabajo de escaneo médico", en Conferencia
la exposición a la radiación médica mediante el desarrollo de un sistema de TC inteligente
Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por
clínicamente aplicable: hacia la mejora de la atención al paciente " Preimpresiones con The
Computadora, 2014, págs. 472-479.
EBioMedicine, 2020.
[20] Escáner CT Siemens SOMATOM Force, SOMATOM Drive o SOMATOM [41] R. Li, C. Cai, G. Georgakis, S. Karanam, T. Chen y Z. Wu, "Hacia una recuperación
Borde Más. Disponible:
robusta de malla humana RGB-D", arXiv: 1911.07383,
https://www.siemens-healthineers.com/tomografía-computada/tecnologías-e-innovaciones / 2019.
flujo de trabajo integrado rápido [42] R. Booij, RP Budde, ML Dijkshoorn y M. van Straten, "Precisión del posicionamiento
[21] J. Li, Reino Unido Udayasankar, TL Toth, J. Seamans, WC Small y M. automatizado del paciente en TC con una cámara 3D para la detección del contorno
K. Kalra, "Centrado automático del paciente para TCMD: efecto sobre la dosis de radiación", Revista
corporal", Radiología europea, vol. 29, págs.2079-2088, 2019.
Estadounidense de Roentgenología, vol. 188, págs. 547-552,
2007. [43] G. Georgakis, R. Li, S. Karanam, T. Chen, J. Kosecka y Z. Wu, "Recuperación de malla
[22] CJB i. Martin y yo. revista, "Optimización en radiografía general", humana hinemática jerárquica", arXiv: 2003.04232,
Revista de Intervención e Imágenes Biomédicas, vol. 3 de 2007. 2020.
[23] F. Achilles, AE Ichim, H. Coskun, F. Tombari, S. Noachtar y N. Navab, "Paciente MoCap:
[44] M. Loper, N. Mahmood, J. Romero, G. Pons-Moll y M. Black, "SMPL: A skinned multi-person
estimación de pose humana bajo oclusión general para aplicaciones de monitorización
linear model", Transacciones ACM en gráficos, vol. 34, pág. 16 de diciembre de 2015.
hospitalaria", en Computación de imágenes médicas e intervención asistida por
computadora, 2016, págs. 491-499. [45] A. Kanazawa, MJ Black, DW Jacobs y J. Malik, "Recuperación de extremo a extremo
[24] GE Xtream cámara. Disponible:
de la forma y la pose humanas", en Actas del IEEE

Conferencia sobre Visión por Computador y Reconocimiento de Patrones, 2018, págs.7122-7131.
[46] United Imaging envía más de 100 escáneres de tomografía computarizada y máquinas de rayos X
para ayudar en el diagnóstico del coronavirus. Disponible:
https://www.itnonline.com/content/united-imaging-sends-out-more-1
00-ct-scanners-and-x-ray-machines-aid-diagnostico-coronavirus
[47] (2020, 3 de abril). Las ayudas de imagen de United luchan contra el coronavirus.
Disponible:
https://www.auntminnie.com/index.aspx?sec=log&itemID=128062
[48] CIMC entrega una cabina de tomografía computarizada móvil al Hospital General de Huangzhou para
diagnosticar coronavirus. Disponible:
https://www.hhmglobal.com/industry-updates/press-releases/cimc-del
ivers-mobile-ct-scan-cabin-to-huangzhou-general-hospital-to-diagnosis e-coronavirus
[49] Es posible realizar tomografías computarizadas prehospitalarias con la unidad de ictus móvil Disponible:
https://www.ems1.com/ems-products/ambulances/articles/prehospital
- escaneos-ct-posibles-con-unidad-de-carrera-móvil-4JKu37U2neG4k68j /
[50] C. Zheng, X. Deng, Q. Fu, Q. Zhou, J. Feng, H. Ma, et al. " Detección basada en aprendizaje
profundo para COVID-19 de TC de tórax mediante etiqueta débil " MedRxiv, 2020.
[51] Y. Cao, Z. Xu, J. Feng, C. Jin, X. Han, H. Wu, et al. " Evaluación longitudinal de COVID-19
mediante una tubería de CT cuantitativa basada en el aprendizaje profundo: Ilustración de dos
casos " Radiología: imágenes cardiotorácicas, vol. 2, pág. e200082, 2020.
[52] L. Huang, R. Han, T. Ai, P. Yu, H. Kang, Q. Tao, et al. " Evaluación cuantitativa en serie de
TC de tórax de COVID-19: enfoque de aprendizaje profundo " Radiología: imágenes
cardiotorácicas, vol. 2, pág. e200075,
2020.
[53] X. Qi, Z. Jiang, Q. Yu, C. Shao, H. Zhang, H. Yue, et al. " Modelo radiómico de TC basado en
aprendizaje automático para predecir la estancia hospitalaria en pacientes con neumonía
asociada con la infección por SARS-CoV-2: un estudio multicéntrico " MedRxiv, 2020.
[54] O. Gozes, M. Frid-Adar, H. Greenspan, PD Browning, H. Zhang, W. Ji, et al. " Ciclo de desarrollo rápido
de IA para la pandemia del coronavirus (covid-19): resultados iniciales para la detección automatizada y
el monitoreo de pacientes mediante el análisis de imágenes de TC de aprendizaje profundo " arXiv:
2003.05037, 2020.
[55] L. Li, L. Qin, Z. Xu, Y. Yin, X. Wang, B. Kong, et al. " La inteligencia artificial distingue
COVID-19 de la neumonía adquirida en la comunidad en la TC de tórax " Radiología, pags.
200905, 2020.
[56] J. Chen, L. Wu, J. Zhang, L. Zhang, D. Gong, Y. Zhao, et al. " Modelo basado en aprendizaje
profundo para detectar neumonía por coronavirus nuevo de 2019 en tomografía
computarizada de alta resolución: un estudio prospectivo " MedRxiv, 2020.
[57] S. Jin, B. Wang, H. Xu, C. Luo, L. Wei, W. Zhao, et al. " Análisis de imágenes por TC asistido por
IA para la detección de COVID-19: creación e implementación de un sistema de IA médica en
cuatro semanas ", MedRxiv, 2020.
[58] F. Shan, Y. Gao, J. Wang, W. Shi, N. Shi, M. Han, et al. " Cuantificación de la infección
pulmonar de COVID-19 en imágenes de TC con aprendizaje profundo " arXiv: 2003.04655, 2020.
[59] G. Gaál, B. Maga y A. Lukács, "Atención arquitecturas adversas basadas en U-Net para la
segmentación pulmonar por rayos X de tórax", arXiv: 2003.10304,
2020.
[60] L. Tang, X. Zhang, Y. Wang y X. Zeng, "Neumonía grave por COVID-19: evaluación de la
carga de inflamación con tomografía computarizada de tórax con volumen", Radiología:
imágenes cardiotorácicas, vol. 2, pág. e200044,
2020.
[61] C. Shen, N. Yu, S. Cai, J. Zhou, J. Sheng, K. Liu, et al. " Análisis cuantitativo de
tomografía computarizada para estratificar la gravedad de la enfermedad por
coronavirus 2019 ", Revista de análisis farmacéutico,
2020.
[62] BC Lassen, C. Jacobs, JM Kuhnigk, B. Van Ginneken y EM Van Rikxoort,
"Segmentación robusta semiautomática de nódulos pulmonares subsólidos en
tomografías computarizadas de tórax", Física en Medicina y Biología, vol. 60, págs.
1307-1323.
[63] Ö. Çiçek, A. Abdulkadir, SS Lienkamp, T. Brox y O. Ronneberger, "3D U-Net: aprendizaje
de la segmentación volumétrica densa a partir de anotaciones dispersas", en Conferencia
Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por
Computadora, 2016, págs. 424-432.
[64] F. Milletari, N. Navab y S.-A. Ahmadi, "V-net: Redes neuronales totalmente convolucionales
para la segmentación volumétrica de imágenes médicas", en 2016 Cuarta Conferencia
Internacional sobre Visión 3D (3DV), 2016, págs. 565-571.
Z. Zhou, MMR Siddiquee, N. Tajbakhsh y J. Liang, "UNet ++: Una arquitectura U-Net anidada
[sesenta y cinco]
para la segmentación de imágenes médicas", en Profundo
11
Aprendizaje en análisis de imágenes médicas y aprendizaje multimodal para soporte de
decisiones clínicas, ed .: Springer, 2018, págs. 3-11.
[66] F. Isensee, J. Petersen, A. Klein, D. Zimmerer, PF Jaeger, S. Kohl, et al. " nnU-Net: marco de
autoadaptación para la segmentación de imágenes médicas basada en U-Net, " arXiv:
1809.10486, 2018.
[67] O. Oktay, J. Schlemper, LL Folgoc, M. Lee, M. Heinrich, K. Misawa,
et al. " Atención U-Net: Aprender dónde buscar el páncreas "
arXiv: 1804.03999, 2018.
[68] O. Ronneberger, P. Fischer y T. Brox, "U-Net: Redes convolucionales para la segmentación
de imágenes biomédicas", en Conferencia Internacional sobre Computación de Imágenes
Médicas e Intervención Asistida por Computadora, 2015, págs. 234-241.
[69] C. Jin, W. Cheny, Y. Cao, Z. Xu, X. Zhang, L. Deng, et al.,
"Desarrollo y evaluación de un sistema de IA para el diagnóstico de COVID-19", MedRxiv,
2020.
[70] Y. Song, S. Zheng, L. Li, X. Zhang, X. Zhang, Z. Huang, et al. " El aprendizaje profundo permite un
diagnóstico preciso del nuevo coronavirus (COVID-19) con imágenes de TC ". MedRxiv, 2020.
[71] HYF Wong, HYS Lam, AH-T. Fong, ST Leung, TW-Y. Barbilla,
CSY Lo, et al. " Frecuencia y distribución de los hallazgos radiográficos de tórax en pacientes
positivos para COVID-19 " Radiología, pags. 201160, 2020.
[72] B. Ghoshal y A. Tucker, "Estimación de la incertidumbre y la interpretabilidad en el aprendizaje
profundo para la detección del coronavirus (COVID-19)",
arXiv: 2003.10769, 2020.
[73] JP Cohen, P. Morrison y L. Dao, "Colección de datos de imágenes de COVID-19", arXiv
2003.11597, 2020.
[74] J. Zhang, Y. Xie, Y. Li, C. Shen y Y. Xia, "Detección de COVID-19 en imágenes de rayos X de tórax
mediante la detección de anomalías basada en el aprendizaje profundo",
arXiv: 2003.12338, 2020.
[75] S. Wang, B. Kang, J. Ma, X. Zeng, M. Xiao, J. Guo, et al. " Un algoritmo de aprendizaje profundo
que utiliza imágenes de TC para detectar la enfermedad del virus Corona (COVID-19) " MedRxiv, 2020.
[76] X. Xu, X. Jiang, C. Ma, P. Du, X. Li, S. Lv, et al. " Sistema de aprendizaje profundo para
detectar la peumonía de la enfermedad por coronavirus 2019 "
arXiv: 2002.09334, 2020.
[77] F. Shi, L. Xia, F. Shan, D. Wu, Y. Wei, H. Yuan, et al. " Detección a gran escala de COVID-19
de neumonía adquirida en la comunidad mediante la clasificación de infección según el
tamaño " arXiv: 2003.09860, 2020.
[78] Z. Tang, W. Zhao, X. Xie, Z. Zhong, F. Shi, J. Liu, et al. " Evaluación de la gravedad de la
enfermedad por coronavirus 2019 (COVID-19) utilizando características cuantitativas de
imágenes de TC de tórax " arXiv: 2003.11988, 2020.
[79] F. Pan, T. Ye, P. Sun, S. Gui, B. Liang, L. Li, et al. " Evolución temporal de los cambios pulmonares en
la TC de tórax durante la recuperación de la neumonía por el nuevo coronavirus de 2019 (COVID-19)
" Radiología, pags. 200370, 2020.
[80] J. Zhao, Y. Zhang, X. He y P. Xie, "COVID-CT-Dataset: ACT scan dataset about
COVID-19," 2020.
[81] Y. Xu, A. Hosny, R. Zeleznik, C. Parmar, TP Coroller, I. Franco, et al.,
"El aprendizaje profundo predice la respuesta al tratamiento del cáncer de pulmón a partir de imágenes
médicas en serie", Investigación clínica del cáncer, vol. 25, págs. 3266-3275,
2019.
[82] K. Kourou, TP Exarchos, KP Exarchos, MV Karamouzis y DI Fotiadis, "Aplicaciones de
aprendizaje automático en el pronóstico y la predicción del cáncer", Revista de
Biotecnología Computacional y Estructural, vol.
13, págs. 8-17, 2015.
[83] DW Kim, SH Lee, S. Kwon, W. Nam, I. Cha y HJ Kim, "Predicción de supervivencia basada en el
aprendizaje profundo de pacientes con cáncer oral", Informes científicos, vol. 9, pág. 6994, 2019.
[84] J. Hao, Y. Kim, T. Mallavarapu, JH Oh y M. Kang, "Red neuronal profunda interpretable para el
análisis de supervivencia del cáncer mediante la integración de datos genómicos y clínicos". BMCMedical
Genomics, vol. 12, págs. 1-13,
2019.
[85] X. Wang, Y. Peng, L. Lu, Z. Lu y RM Summers, "TieNet: Red de integración de imágenes de
texto para la clasificación de enfermedades comunes del tórax y la notificación en radiografías
de tórax", en Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de
patrones, 2018, págs.9049-9058.
[86] J. Yuan, H. Liao, R. Luo y J. Luo, "Generación automática de informes de radiología basada en la
fusión de imágenes de múltiples vistas y el enriquecimiento de conceptos médicos", en Conferencia
Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora, 2019,
págs. 721-729.