Desarrollo de un sistema de visión artificial para la obten ción de imágenes ecográficas hepáticas de relevancia clínica Development of an Artificial Vision System for the Acqui sition of Clinically Relevant Hepatic Ultrasound Images

Abstract

Las imágenes ecográficas se utilizan ampliamente por su bajo costo, portabilidad y carácter no invasivo; sin embargo, su adquisición depende en gran medida de la experien cia del operador. Este trabajo presenta un sistema de visión artificial para asistir a usuarios con experiencia limitada en la adquisición de cuatro vistas ecográficas hepáticas: longitudinal, transversal, oblicua y hepatorrenal. El sistema emplea dos estrategias para identificar frames informativos. Para la vista longitudinal, DeepLabV3+ segmenta la región ecográfica de interés (ROI) y el hígado, mientras que U-Net segmenta el lumen anecoico (LA); a partir de estas regiones se extraen características morfológicas, estadísticas y de textura para determinar la informatividad del frame. Para las vistas transversal, oblicua y hepatorrenal, DINOv2-Small extrae directamente de cada frame representaciones visuales profundas, posteriormente clasi ficadas mediante Random Forest, regresión logística y k-NN, respectivamente.Ultrasound images are widely used because of their low cost, portability, and non invasive nature; however, their acquisition depends heavily on the operator’s experience. This work presents a computer vision system to assist users with limited experience in acquiring four hepatic ultrasound views: longitudinal, transverse, oblique, and hepatorenal. The system uses two strategies to identify informative frames. For the longitudinal view, DeepLabV3+ segments the ultrasound region of interest (ROI) and the liver, while U-Net segments the anechoic lumen (LA); morphological, statistical, and texture features are then extracted from these regions to determine frame informativity. For the transverse, oblique, and hepatorenal views, DINOv2- Small directly extracts deep visual representations from each frame, which are subsequently classified using Random Forest, logistic regression, and k-NN, respectively...