💻 computer science

An Approach for Thyroid Nodule Analysis Using Thermographic Images

Este artículo presenta un proyecto piloto que revisa la termografía para el análisis de la tiroides, propone protocolos para la adquisición de imágenes y el registro autónomo, y describe un marco para la extracción y clasificación de características que apoye la detección temprana de nódulos tiroideos en un entorno hospitalario universitario.

Autores originales: J. R. González, É. O. Rodrigues, C. P. Damião, C. A. P. Fontes, A. C. Silva, A. C. Paiva, H. Li, C. Du, A. Conci

Publicado 2026-05-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: J. R. González, É. O. Rodrigues, C. P. Damião, C. A. P. Fontes, A. C. Silva, A. C. Paiva, H. Li, C. Du, A. Conci

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La Gran Imagen: Ver el Calor para Encontrar Problemas

Imagina que tu cuerpo es una casa y las paredes (tu piel) suelen mantener una temperatura constante y cómoda. Pero si hay un fuego ardiendo dentro de una habitación (un tumor o nódulo en la tiroides), esa parte de la pared se calienta más que el resto.

Este artículo trata sobre el uso de una cámara especial que ve el calor (termografía) para detectar estas "habitaciones calientes" en el cuello, buscando específicamente nódulos tiroideos. Los autores quieren ver si pueden usar programas informáticos para encontrar automáticamente estos puntos calientes y distinguir entre una persona sana y alguien que podría estar enfermo, sin necesidad de que un médico se quede mirando la pantalla durante horas.

El Problema: El Paciente "Movido"

El principal desafío que enfrentaron los autores es que los humanos no son robots. Cuando te sientas frente a una cámara durante unos minutos, puedes cambiar de postura, inclinar la cabeza o respirar profundamente.

La Analogía: Imagina que intentas tomar una pila de fotos de un amigo para hacer una animación de un libro de imágenes (flipbook). Si tu amigo mueve la cabeza incluso un poco entre disparos, las fotos no se alinearán. Cuando las pasas rápidamente, la cara parece temblar o transformarse.
La Consecuencia: Si la computadora intenta comparar los "puntos calientes" en estas fotos temblorosas, se confunde. Podría pensar que una sombra es un tumor, o pasar por alto un tumor real porque la imagen está ligeramente descentrada.

La Solución: Una Receta de Tres Pasos

Los autores proponen una receta específica para solucionar esto y analizar las imágenes.

1. Preparando el Escenario (El Protocolo)

Antes de que la cámara se encienda, tienen reglas estrictas para asegurar que la "casa" (el paciente) esté estable.

El Enfriamiento: Piden a los pacientes que se sienten tranquilos durante 20 minutos. Piensa en esto como dejar enfriar una taza de café caliente para poder probarla correctamente. También controlan la temperatura de la habitación (sin corrientes de aire, sin ventanas) e indican a los pacientes que eviten el café, el alcohol o el ejercicio antes, ya que estos cambian el calor interno de tu cuerpo.
La Prueba de Estrés: En realidad enfrían un poco la piel del paciente con aire y luego comienzan a tomar fotos a medida que la piel se calienta de nuevo. Esto es como observar qué tan rápido se calienta el motor de un coche después de haberlo apagado; la forma en que se calienta puede revelar problemas ocultos.

2. Enderezando las Fotos (Registro)

Una vez que tienen una secuencia de fotos, necesitan alinearlas perfectamente.

La Analogía: Imagina que tienes dos hojas transparentes con dibujos encima. Si deslizas una ligeramente hacia la izquierda, los dibujos no coinciden. La computadora necesita deslizar y rotar una hoja hasta que las líneas coincidan perfectamente con la otra.
La Innovación: Por lo general, un humano tiene que señalar puntos específicos (como la barbilla o un collar) para decirle a la computadora dónde alinearlas. Este artículo propone una manera inteligente y automática de hacer esto.
- Utilizan un "detector de bordes" especial (como un rotulador fluorescente) que solo traza el contorno del cuello e ignora los hombros o el fondo.
- Luego usan un "algoritmo de búsqueda" para encontrar el mejor lugar para colocar un recuadro alrededor del cuello. Es como un juego de "Caliente y Frío" donde la computadora sigue moviendo un recuadro hasta encontrar el área con más "líneas de cuello".
- También tienen un truco para eliminar el "ruido" (como un marcador de barbilla que colocan en el paciente) que podría confundir a la computadora.

3. El Trabajo de Detective (Extracción de Características y Clasificación)

Ahora que las fotos están alineadas y el cuello está aislado, la computadora busca pistas. No solo miran la imagen completa; buscan cuatro "huellas dactilares" específicas de un problema potencial:

¿Qué tan caliente es? (Temperatura promedio).
¿Qué tan caótico es el calor? (Desviación estándar: ¿varía el calor salvajemente en un punto pequeño?).
¿Cuál es el punto más caliente? (Temperatura máxima).
¿Es simétrico? Este es el más importante. El cuerpo humano suele ser simétrico (el lado izquierdo refleja al derecho). Si el lado izquierdo del cuello está caliente y el derecho está frío, eso es una señal de alarma. La computadora mide exactamente qué tan "desviado" está el mapa de calor.

El Veredicto:
Introdujeron estas cuatro pistas en un cerebro informático simple (un algoritmo llamado k-NN). Es como un maestro comparando las respuestas de un examen de un estudiante con una "clave de respuestas enferma" y una "clave de respuestas sana".

El Resultado: En su pequeña prueba con cuatro personas (dos enfermas, dos sanas), la computadora agrupó con éxito a las dos personas enfermas juntas y a las dos sanas juntas basándose en estos patrones de calor.

Lo Que Realmente Afirman (y Lo Que No)

Afirman: Han construido un sistema piloto que puede alinear automáticamente imágenes de calor de la tiroides, recortar el área del cuello y usar matemáticas simples para detectar asimetrías y patrones de calor que sugieren un nódulo. Demostraron que esto funciona en un grupo diminuto de cuatro pacientes.
NO Afirman:
- Que esto esté listo para todos los hospitales mañana.
- Que pueda diagnosticar cáncer con un 100% de certeza.
- Que reemplace a los médicos.
- Que funcione a gran escala todavía (admiten que solo tenían unas pocas imágenes con las que trabajar).

La Conclusión

Piensa en este artículo como la fase de "prueba de concepto". Los autores están diciendo: "Construimos un prototipo de coche que puede conducir solo en una pista recta y vacía. ¡Funcionó! Ahora necesitamos construir una pista más grande, probarlo con más coches y ver si maneja la lluvia y el tráfico antes de venderlo al público".

Han demostrado que el uso de cámaras térmicas y alineación informática inteligente es una forma prometedora de ayudar a los médicos a detectar problemas de tiroides temprano, pero aún es un trabajo en progreso.

Resumen Técnico: Un Enfoque para el Análisis de Nódulos Tiroideos Mediante Imágenes Termográficas

Planteamiento del Problema
Se proyecta que el cáncer de tiroides se convierta en una malignidad líder, particularmente entre las mujeres. La detección temprana mejora significativamente las tasas de supervivencia. Aunque la termografía ofrece un método no invasivo para detectar anomalías de temperatura asociadas con crecimientos cancerosos (debido al aumento de la perfusión sanguínea y el calor metabólico), el análisis de datos termográficos presenta desafíos significativos. El diagnóstico médico requiere la evaluación integral de patrones térmicos complejos en plazos cortos, una tarea a menudo inviable para los médicos por sí solos. Además, la adquisición termográfica dinámica (captura de imágenes de series temporales) introduce artefactos de movimiento causados por la respiración del paciente y movimientos menores, lo que provoca una desalineación del contenido de la imagen. Estas desalineaciones propagan errores en análisis computacionales posteriores, como la segmentación y la clasificación. Adicionalmente, la falta de protocolos estandarizados para la adquisición de imágenes y la extracción autónoma de la región de interés (ROI) dificulta la aplicación consistente de técnicas de visión por computadora en este dominio.

Metodología
Los autores proponen un marco piloto para la detección de nódulos tiroideos que involucra adquisición de imágenes, preprocesamiento, registro, extracción de características y clasificación.

Protocolo de Adquisición: El estudio utiliza un protocolo de adquisición dinámica con una condición de parada específica. Los pacientes se sientan en un entorno controlado (22–25°C, sin corrientes de aire) y esperan 20 minutos para estabilizar el metabolismo. Se induce estrés térmico enfriando la piel hasta que alcanza 29°C, momento en el cual comienza la captura de imágenes secuencial. Las imágenes se capturan cada 15 segundos durante 5 minutos utilizando una FLIR ThermaCam S45 a una distancia de 0.5 metros. Se instruye a los pacientes para que eviten la cafeína, el tabaco y la actividad física antes del examen.
Preprocesamiento y Registro: Para abordar el movimiento del paciente (traslación, rotación y distorsión local), el artículo propone un enfoque de registro autónomo.
- Se aplica un filtro Sobel modificado (específicamente un filtro "Sombra Sobel" que opera en el eje x) para segmentar la región del cuello y eliminar el ruido de fondo.
- El algoritmo detecta autónomamente la ROI identificando un área rectangular con la mayor densidad de píxeles blancos (bordes) después del filtrado.
- El ruido residual, como un marcador físico colocado en la barbilla, se identifica y elimina utilizando una heurística similar con una ventana de búsqueda más pequeña.
- Los autores discuten dos estrategias de registro: extraer la ROI antes del registro (centrándose solo en el cuello para evitar la interferencia de los hombros) o después del registro (utilizando puntos de referencia globales como los hombros).
Extracción de Características: Una vez establecida la ROI, las imágenes sufren umbralización (ajustada a 209) para aislar las regiones "calientes". Se extraen cuatro características:
- Intensidad media del área segmentada.
- Desviación estándar de las intensidades.
- Intensidad máxima (temperatura).
- Asimetría: Una métrica que cuantifica la simetría de la ROI a través del eje vertical comparando las intensidades de los píxeles en los lados izquierdo y derecho dentro de una vecindad de 3x3.
Clasificación: Las características extraídas se utilizan para clasificar a los pacientes como sanos o no sanos utilizando el algoritmo de k-Vecinos Más Cercanos (k-NN) con distancia euclidiana y $k=1$ .

Contribuciones Clave

Identificación Autónoma de la ROI: El artículo introduce un método novedoso y totalmente autónomo para identificar la región tiroidea en termogramas utilizando un filtro Sobel modificado y una búsqueda heurística para la ROI rectangular óptima, eliminando la necesidad de selección manual de puntos de referencia.
Análisis de Estrategia de Registro: El trabajo proporciona un análisis comparativo de registrar imágenes antes versus después de la extracción de la ROI, destacando las compensaciones entre la precisión (centrándose en el cuello en movimiento) y la disponibilidad de puntos de referencia globales (hombros).
Piloto de Clasificación Basada en Características: El estudio demuestra un pipeline para extraer características térmicas y aplicar un clasificador simple de aprendizaje automático (k-NN) para distinguir entre pacientes con nódulos y controles sanos.
Protocolo Estandarizado: Los autores definen un conjunto específico de condiciones ambientales y de preparación del paciente para garantizar la consistencia de los datos para el análisis termográfico de la tiroides.

Resultados
La metodología se probó en un pequeño conjunto de datos piloto que comprende cuatro pacientes (dos sanos, dos con nódulos tiroideos patológicos).

Registro: El registro autónomo alineó con éxito las imágenes secuenciales, corrigiendo el movimiento del paciente.
Clasificación: Utilizando el algoritmo k-NN, el sistema agrupó con éxito a los pacientes basándose en sus vectores de características.
- El paciente O1 (enfermo) resultó ser el más similar al paciente O2 (enfermo) en las cuatro características.
- El paciente O3 (sano) resultó ser el más similar al paciente O4 (sano) en tres de las cuatro características.
- El paciente O2 mostró similitud mixta pero estuvo generalmente más cerca del grupo de enfermos.
- Los resultados sugieren que la combinación de intensidad media, desviación estándar, temperatura máxima y asimetría puede diferenciar efectivamente entre la pequeña muestra de sujetos enfermos y sanos.

Significado y Afirmaciones
El artículo posiciona este trabajo como un proyecto piloto y un estudio preliminar en lugar de una herramienta diagnóstica definitiva. Los autores declaran explícitamente que la evidencia actual se basa en un conjunto de datos limitado (cuatro pacientes) y que los métodos propuestos forman parte de un esfuerzo para apoyar acciones médicas preventivas en su departamento de endocrinología.

El significado radica en demostrar la viabilidad de utilizar técnicas de visión por computadora, específicamente registro autónomo y clasificación basada en características, para analizar termogramas tiroideos. Los autores afirman que su enfoque ofrece una vía potencial para automatizar la detección de tumores, ayudando así a los médicos en las etapas tempranas del diagnóstico. Reconocen que el trabajo futuro requiere expandir el conjunto de datos a una escala mayor para validar si la evidencia observada se mantiene para la población general. El proyecto tiene la intención de ser sometido a aprobación ética para realizar una evaluación más amplia de la importancia de la termografía en el diagnóstico de nódulos tiroideos en su hospital universitario.