Page 4 - RETIC_NOV_2019_Vol_2_1

Revista de ecocardiografía
práctica y otras técnicas de imagen cardíaca

El elemento básico de la red es la neurona (que llamaremos nodo), que tal como se ve en la Figura 1 recibe estímulos externos (I1 y I2), cada uno
con un peso o importancia (w1 y w2) y los procesa en la respuesta final (output). El problema se complica cuando se va formando una red con
varias neuronas o redes neuronales. De una manera simple, una red neuronal agrupa las neuronas en diferentes tipos de capas: capa neuronal
de entrada, capas neuronales ocultas y capas de salida (Figura 2). Las unidades conectadas al ambiente externo se designan como unidades
de entrada o capa neuronal de entrada. Existirá igualmente una capa neuronal de salida que da la respuesta del sistema. Hay otras unidades
(neuronas) que simplemente están conectadas a otras neuronas del sistema y que al no tener relación directa con la información de entrada ni
con la de salida del sistema, se denominan unidades ocultas.

Impulso
de entrada 1 W

Neurona Respuesta ƒ(x)
artificial de salida

Impulso
de entrada 2 W

Figura 1. La neurona artificial recibe unos impulsos de entrada que la Figura 2. Red neuronal simple con neuronas de entrada, salida y escondidas
activan y produce una respuesta de salida (hidden)

Supongamos que se quiere hacer una red para diagnosticar el coste de una habitación de hotel. Para empezar en este caso se tendrán cuatro
neuronas en la capa de entrada, cada una dedicada a una pregunta específica:
• Ciudad.
• Hotel.
• Fecha de la reserva.
• Tipo de habitación.

Las capas de entrada pasan la información a la siguiente capa o capa oculta, que realiza una serie de cálculos y los pasa a las siguientes capas.
Cada conexión entre las neuronas se asocia a un peso o “importancia” del dato; en el ejemplo, al tipo de habitación se le da más peso que a la
fecha de la reserva. Finalmente, la capa de salida da una predicción de precios. Si se comete un error, la máquina va haciendo pruebas de ensayo
hasta ajustarse a la mejor solución. Es importante entrenar a la máquina con la introducción de datos reales para que pueda tomar referencias
de la realidad.
Existen tres tipos diferentes de redes neuronales, cada una con un tipo diferente de aplicación:
• Red neuronal profunda. Se utiliza básicamente en el tratamiento de texto.
• Red neuronal recurrente. Se utiliza en el análisis de datos secuenciales, por ejemplo, el valor de la acción de una empresa que va a depender
del valor del día anterior.
• Red neuronal convolucional. Son las más utilizadas en el tratamiento de imagen.

Redes neuronales convolucionales

Este tipo de red neuronal se utiliza básicamente para poder procesar imágenes de vídeo de una manera eficiente: supongamos una imagen de
un sector ecográfico de 300 píxeles por 300 píxeles con los tres colores básicos: rojo, verde y azul. Si se utiliza una red neuronal estándar, para
tener toda la información de cada imagen se deberá tener más de 9.000.000 millones neuronas iniciales (300 x 300 x 3) antes de pasar a la capa
siguiente, lo que implica una capacidad de conexiones entre capas extremadamente compleja de manejar. Con las redes neuronales convolu-
cionales se simplifica la imagen inicial usando una serie de filtros por toda la imagen. Una vez que la máquina define un algoritmo de cálculo es
necesario un paso muy importante que es el testing para probar y rectificar el algoritmo automáticamente.

RETIC 2019 (2); 1: I-V II