sinc(i)

El Dr. Enzo Ferrante y un galardón compartido

El Dr. Ferrante se ha incorporado, como investigador repatriado, al Instituto de Señales, Sistemas e Inteligencia Computacional.


Foto: gentileza Ferrante.

El citado científico, que se desempeña en el sinc(i)/CONICET/UNL, es integrante de un grupo que ganó un importante galardón en una competencia internacional sobre segmentación de tumores cerebrales. El Dr. Ferrante realizó su postdoctorado en el laboratorio BioMedIA del Imperial College London y se ha incorporado, recientemente, como investigador repatriado al Instituto de Señales, Sistemas e Inteligencia Computacional (sinc(i)) que dirige el Dr. Diego Milone, en la ciudad de Santa Fe.

Ocurrió el 14 de septiembre

“El jueves 14 del corriente, un grupo de investigadores del laboratorio BioMedIA del Imperial College London (R. Unido), del cual formo parte, obtuvo el primer premio en la competencia internacional de segmentación de tumores cerebrales BRATS 2017 (Multimodal Brain Tumor Segmentation Challenge 2017) que se llevó a cabo en el marco de la International Conference on Medical Image Computing and Computed Assisted Interventions (MICCAI 2017). MICCAI es la conferencia internacional más importante del área, y este año se realizó en Québec (Canadá). En dicha competencia participamos más de 50 grupos de investigación provenientes de todo el mundo, incluido nuestro país”, narra.

¿En qué consiste el “procesamiento de imágenes para la segmentación de tumores en el cerebro”? ¿Qué disciplinas confluyen en él?

La segmentación de tumores cerebrales es uno de los problemas más estudiados durante las últimas dos décadas en el campo de los métodos computacionales para el análisis de imágenes biomédicas. Cuando hablamos de segmentación de imágenes nos referimos al proceso de dividirlas en distintos objetos de interés. En este caso, la segmentación de tumores en imágenes de resonancia magnética consiste en detectar aquellos píxeles en la imagen que corresponden al tumor, y a cada una de las partes que lo componen. En este tipo de estudios confluyen diversas disciplinas como las Ciencias de la Computación, Matemática, Física y Medicina, dado que para abordarlo es necesario contar con métodos computacionales de segmentación de imágenes, comprender el funcionamiento físico de la tecnología utilizada para capturar las resonancias magnéticas, y asegurar el correcto funcionamiento de los algoritmos por medio de la verificación con especialistas oncológicos.

¿Cuál es el avance que presentaron ustedes en la competencia con relación a lo ya existente?

Nuestro aporte se centró en el desarrollo de un nuevo modelo computacional para la segmentación de tumores, basado en el ensamblado de diversos modelos y arquitecturas de redes neuronales convolucionales. La producción masiva de datos en la actualidad, junto a los últimos avances en inteligencia artificial y el desarrollo de hardware que posibilita el procesamiento masivo de datos en paralelo, han revolucionado el campo de la visión computacional y el procesamiento de imágenes en los últimos 5 años. Estos fenómenos han dado lugar al desarrollo de métodos de aprendizaje automático englobados bajo el concepto de aprendizaje profundo, en el cual múltiples capas de redes neuronales artificiales son ‘entrenadas’ para aprender a ejecutar funciones y tareas específicas.

¿Qué son las redes neuronales convolucionales?

Son un tipo particular de red neuronal artificial especialmente útil para imitar el funcionamiento del sistema visual del ser humano. La idea básica es que la información (en este caso, la imagen) fluye a través de diversas capas de redes neuronales, donde es ‘interpretada’ en distintos niveles de abstracción: las primeras capas sólo pueden reconocer estructuras primitivas en las imágenes (como los bordes, por ejemplo), mientras que las capas superiores combinan dicha información produciendo interpretaciones más abstractas, reconociendo formas y estructuras más complejas. De esta forma, es posible crear ‘arquitecturas’ de redes neuronales especializadas en diversas tareas. Lo que hicimos en nuestro equipo fue desarrollar un ‘ensemble’ de diferentes modelos y arquitecturas entrenados para la misma tarea, que al ser combinados resultaron ser el método más preciso que se ha publicado hasta hoy para la segmentación de tumores cerebrales.

¿En qué medida facilitará los diagnósticos médicos?

Los algoritmos de segmentación de tumores brindan al especialista oncológico diversos indicadores cuantitativos (tales como volumen, superficie, cantidad de tejido necrótico, localización, etc.) que resultan útiles no sólo para el diagnóstico médico (es decir, clasificar el tipo de tumor) sino para el posterior tratamiento y seguimiento de la enfermedad. Por esta razón, el desarrollo de métodos que mejoren la precisión de la segmentación redundará en mejores y más confiables diagnósticos, predicciones y tratamientos.

El equipamiento que se utiliza, ¿es complejo?

No, para nada. Es bastante curioso pensar que el hardware que utilizamos hoy en día para entrenar y ejecutar redes neuronales convolucionales profundas, fue originalmente desarrollado con un objetivo totalmente diferente: ¡Para jugar a los video juegos! Estos modelos se ejecutan en lo que se denomina Graphics Processing Units (unidades de procesamiento gráfico, o GPU por sus siglas en inglés), que permiten paralelizar operaciones matemáticas muy simples. Las GPUs no son más que las famosas placas de video que utilizamos diariamente en nuestras computadoras para jugar a los videojuegos. Esas mismas placas son las que utilizamos para la competencia.

Este avance, ¿cuándo estará disponible en la Argentina?

¡En realidad ya lo está! Actualmente, estamos trabajando en una publicación conjunta con el resto de los equipos que participaron en la competencia, y la idea es, luego de eso, liberar los modelos para que puedan ser utilizados tanto en el ámbito académico como en el ámbito clínico.

Parte de las razones de su regreso al país…

Sí. Uno de los objetivos de mi reinserción en el sistema científico argentino es, precisamente, trabajar para hacer que estas tecnologías (que no requieren de equipamiento complejo, sino que por el contrario pueden ser ejecutadas en computadoras personales) pueda estar al alcance de nuestros médicos.

¿Qué organismos financiaron su posdoc en el Imperial College?

Fue financiado mayormente por el Engineering and Physical Sciences Research Council (EPSRC) del Reino Unido.

Usted se ha incorporado al sinc(i), ¿cuáles serán sus actividades allí?

Mi llegada a Santa Fe se produjo hace menos de un mes. Oficialmente, comencé a trabajar en el sinc(i) el 1ero. de septiembre. Mi idea es sumar una línea de investigación en métodos computacionales para el análisis de imágenes biomédicas, trabajando en colaboración con otros institutos del CONICET Santa Fe y la UNL, como el Instituto de Matemática Aplicada del Litoral (CONICET-UNL) y diversos centros médicos y académicos a nivel nacional e internacional.


 

(*) Bio: estudió Ingeniería de Sistemas en la Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina (2012), y se doctoró en Informática y Matemática por la Université Paris-Saclay (École Centrale Supelec) / INRIA, en Francia (2016). Durante su doctorado fue alumno visitante en la Universidad de Stanford, California (EE. UU.) (2014). Posteriormente, realizó su postdoctorado en el Imperial College London, en el Reino Unido (2017). Recientemente, obtuvo un subsidio de la AXA Research Fund, y regresó a la Argentina como Investigador Asistente repatriado bajo la dirección del Dr. Diego Milone (sinc(i) - CONICET/UNL) y del Dr. Rubén Spies (actual Vicedirector del IMAL-CONICET/UNL).


 

Entrevistó: Lic. Enrique A. Rabe (ÁCS)