Instituto TecnológicoSuperior de los Ríos

Cuerpo AcadémicoCómputo Distribuido

Ontología para la Recuperación Semántica de ImágenesDICOM en Base de Datos Objeto - Relacional

DocenteIng. Luis Antonio López Gómez

Balancán, Tabasco 09 de noviembre de 2018

ITSRInnovar la Tecnología para Superar los Retos

Luis Antonio López Gómez

Cuerpo Académico – Cómputo Distribuido

Ontología para la Recuperación Semántica de ImágenesDICOM en Base de Datos Objeto - Relacional

Luis Antonio López Gómez

Cuerpo Académico – Cómputo Distribuido

SAOA 2016 2° Simposio Argentino de Ontologías y sus Aplicaciones

Autores: Matías Agüero, Carlos Alvez

Resumen

Resumen

Para los profesionales en medicina, al momento de efectuar el diagnóstico de un paciente, es muy importantecontar con imágenes similares a la obtenida en un estudio efectuado a dicho paciente. Sin embargo, para laobtención de estas imágenes, es necesario contar la información del contexto en el que se ha tomado la misma.

En este artículo se presenta una arquitectura para la recuperación de imágenes DICOM, basada en una ontologíapropuesta, implementada en una base de datos objeto relacional. Esta arquitectura permite extender las consultasSQL permitiendo la recuperación imágenes por similitud semántica, de manera simple y escalable.

1

INTRODUCCIÓN

IntroducciónEl objetivo principal es presentar una arquitecturacompuesta por una base de datos y una ontología que seacapaz de obtener imágenes a través de búsquedassemánticas. La ontología propuesta, extiende a una ontologíaDICOM existente e integra también otras ontologías enmedicina, la cual es implementada en una BDOR.

1

2

3

4

5

6

Organizacióndel

Artículo

Introducción

Bibliografía

DICOM, Ontología

Ontología Propuesta

Aplicación en una BDOR

Conclusiones y Trabajos Futuros

2

DICOM

Ontología

DICOMDigital Imaging and Communications in Medicine

Tratamiento Digital de Imágenes y Comunicaciones en Medicina, En la siguiente figura se observa de forma resumida laorganización y estructura que ofrece DICOM, que está compuesta por los pixeles que conforman la imagen y el metadato(información relacionada con la imagen) que representa el modelo de datos también propuesto por el estándar.

http://dicom.nema.org/.

El estándar DICOM es elmecanismo de codificación,almacenamiento y transmisiónde imágenes aceptadouniversalmente por lacomunidad médica. Este formatopermite almacenar no solo laimagen, sino también lainformación relacionada con lamisma dentro de un mismoarchivo.

DICOMTratamiento Digital de Imágenes y

Comunicaciones en Medicina

La información almacenada en el metadato de las imágenesDICOM es extraída y almacenada en forma de tripletas, lo cualpermite relacionar semánticamente las imágenes.

PACS BDOR

DICOM tiene como finalidad ser un estándar completo quecubra todas las necesidades de un PACS: almacenamiento,transmisión, comunicaciones en general e impresión. De estaforma, se integran todos los equipos que forman un PACS,desde los equipos médicos encargados de la obtención deimágenes hasta las aplicaciones usadas por el personal clínicopara visualizarlas.

PACS: Sistemas de Almacenamiento y Comunicación deImágenes (Pictures Archiving and Communication System

BDOR: Base de Datos Objeto Relacional.

PACS donde la comunicación en ambiente de red es la partemedular para el diseño de aplicaciones y se apoya en elprotocolo DICOM para la gestión de la imagen diagnóstica.

3

Ontología Propuesta

OntologíasHoy en día existen diferentes ontologías en el ámbito de lasalud. Grandes y sofisticadas ontologías se han desarrolladopara la genética y la anatomía humana, actualmente hay cercade 500 ontologías diferentes para una variedad de disciplinasbiomédicas.

Entre ellas encontramos a Semantic DICOM Ontology, queimplementa en lenguaje OWL (Web Ontology Language)

Ontología DICOM

La ontología propuesta toma como base la ontología Semantic DICOMOntology antes nombrada para utilizar principalmente sus clases y algunasrelaciones.

También importa y utiliza otras dos ontologías DOID y SYMP. Que su descripción general se muestran a continuación.

SEDI DOID SYMP

Ontología DICOM utilizada en el proyecto SeDI. Formato OWL

Vocabulario creado para larepresentación de las enfermedadeshumanas. Formato OBO

La ontología de los síntomas fuediseñada alrededor del concepto guía deque es un síntoma: "Un cambio percibidoen la función, sensación o aparienciareportado por un paciente indicativo deuna enfermedad".

Ontologías existentes importadas

Ontología propuesta, define nuevas relaciones yreglas que permiten vincular conceptos de lasdiferentes ontologías e inferir nuevosconocimientos a partir de ellas.

Ontología DICOM existente que se

extiende para crear la ontología propuesta.

El diseño de la ontología creada se basó principalmente en lalínea definida por el estándar DICOM, el cual define comoprincipales entidades a Estudio, Serie e Imagen.

Por lo tanto, en la ontología propuesta se utilizan solo algunasclases de la ontología Semantic DICOM Ontology, en particular,las clases Paciente, Estudio, Serie e Imagen.

Ontología Propuesta

Las clases son representadas como óvalos, las líneas continuas representan a las relaciones de la tripleta y laslíneas punteadas son las inferencias creadas a partir de las relaciones existentes. Las clases Diagnóstico ySíntoma son las pertenecientes a las ontologías DOID y SYMP respectivamente, las demás perteneces a laontología DICOM. Otro punto importante a destacar es que las líneas en color rojo son las relaciones einferencias que se crearon, y las negras son las que se reutilizan de las ontologías importadas.

Ontología propuesta

Ontología propuesta

Nuevas propiedades de la

ontología propuesta.

Propiedades más importantes de la ontología Semantic DICOM Ontology

Ontología Semantic

DICOM Ontology

Nuevas propiedades de la ontología propuesta

Reglas o inferencias

Reglas o inferencias

Ontologíapropuesta.

Hasta aquí se han descrito las clases, relaciones y reglas básicasque componen la ontología propuesta. Las reglas definidasanteriormente sirven como base para definir reglas máscomplejas y que realmente tomen ventaja del uso de lasontologías.

4

Aplicación propuesta en BDOR

Aplicación de la ontología propuesta para la búsqueda de imágenes

médicas en una BDOR

Se creó una base de datos Objeto-Relacional utilizando el Sistema de Gestión de Bases deDatos Oracle 11g, posee excelentes herramientas para la creación y administración deontologías, así como también, cuenta con un tipo de objeto llamado ORDDicom quepermite almacenar las imágenes DICOM importadas de manera correcta. Con elpropósito de fijar los límites a esta investigación, se acotó el diseño a mantener solo lasentidades Estudio, Serie e Imagen, las cuales coinciden con el modelo presentado por elestándar DICOM.

5

Conclusiones y

trabajos futuros

01 02 03 04Creación de una arquitecturacompuesta por una base dedatos y una ontología que seacapaz de obtener imágenessimilares, no por similitud físicasino por similitud semántica

Semantic DICOM, Diagnósticos ySíntomas. Luego la creación deuna ontología que importe estastres existentes y defina nuevasrelaciones e inferencias capacesde que las tres ontologíaspuedan interactuar y de quepermita obtener imágenessimilares a los patrones debúsquedas que se necesiten.

Reutilización de las relaciones yreglas definidas, que permitencrear cada vez, inferencias máscomplejas que serían muydifíciles de replicar conconsultas SQL comunes

Se pueden agregar cuantasreglas y relaciones se deseen,sin necesidad de tener quecambiar una tabla, objeto oestructura de la base de datoso la aplicación

Como trabajo futuro se tiene previsto sumar una entidad “tratamiento” al diseño e implementación actual. El plan estambién almacenar los tratamientos realizados a los pacientes de manera de poder obtener, además de imágenessimilares, los tratamientos médicos que se les han realizado y sus resultados y así poder contar con antecedentes y facilitarun nuevo camino para el paciente cuya imagen está bajo análisis.

6

Bibliografía

Bibliografía

1. Página oficial de NEMA. http://dicom.nema.org/

2. Mabotuwana, T., Lee, M.C., Cohen-Solal, E.V. (2013). An ontology-based similarity measure for biomedical data - Application to radiology reports. Journal of Biomedical Informatics, 46, 857-868.

3. Carlos Alvez, “Modelos para la recuperación de imágenes por similitud en Bases de Datos Objeto-Relacionales”. Tesis Doctoral. Santa Fe, Argentina, 2012. ISBN 978-987-33-2249-5.

4. Carlos Alvez y Aldo Vecchietti, “Representación y Recuperación de Imágenes Médicas en Bases de Datos Objeto-Relacionales”. Jornadas Argentinas de Informática e Investigaciones Operativas: 36ª JAIIO– Simposio de Informática y Salud: SIS-2007. Mar del Plata. Agosto de 2007.

5. Borst, W.N. Construction of Engineering Ontologies for Knowledge Sharing and Reusev PhD. Thesis. University of Twente. 1997.

6. Sue Pelski,. Oracle Multimedia DICOM Developer's Guide, 12c Release 1 (12.1) E17698-09. July 2014.

7. Chuck Murray. Oracle Database. Semantic Technologies Developer's Guide. 11g Release 2 (11.2) E25609-06. January 2014.

8. Carlos Alvez, Aldo Vecchietti. Combining Semantic and Content Based Image Retrieval in ORDBMS. KES´2010, Lecture Notes in ComputerScience, 2010, Volume 6277/2010, 44-53. Editors Rossitza Setchi. Ivan Jordanov, Robert J. Howlett, Lakhmi C. Jain. Springer- Verlag BerlinHeidelberg, 2010.

Gracias por Atención!

¿Preguntas?