Modelo de utilidad por "Dermatoscopio inteligente"

Reivindicaciones:
+ ES-1306029_U1. Dermatoscopio inteligente, caracterizado por que está constituido a partir de un dispositivo portátil, en el que participa una carcasa con un mando (4) ergonómico de agarre manual, carcasa que integra una cámara digital (7) con zoom óptico y digital, una luz auxiliar regulable, un microprocesador, una pantalla táctil (8), una batería (9) recargable, un botón de encendido y apagado, y un módulo de comunicaciones inalámbricas Wifi, 4G y Bluetooth para la gestión remota de las imágenes tomadas. 2. Dermatoscopio inteligente, según reivindicación 1, caracterizado por que la carcasa se constituye a partir de un chasis central (3) al que son acoplables dos semi-carcasas (2-2') extremas, elementos obtenidos en nylon con fibra de carbono. 3. Dermatoscopio inteligente, según reivindicación 1, caracterizado por que la carcasa incluye refuerzos (6) de protección anti-impactos. 4. Dermatoscopio inteligente, según reivindicación 1, caracterizado por que la cámara digital (7) de alta resolución es de 108 MP, con zoom óptico digital y equipada con ISO nativo dual. 5. Dermatoscopio inteligente, según reivindicación 1, caracterizado por que la luz auxiliar de la cámara incluye 5 niveles de regulación brillo, medios de selección entre luz polarizada y no polarizada, y función de auto apagado. 6. Dermatoscopio inteligente, según reivindicación 1, caracterizado por que la batería (9) es de 10400 mAh, con LEDs indicadores del estado de carga y puerto de carga rápida USBC.

Los productos y servicios protegidos por este registro son:
A61B 5/103 - A61B 5/00

Descripciones:
+ ES-1306029_U Dermatoscopio inteligente SECTOR DE LA TÉCNICA La presente invención se refiere a un dermatoscopio inteligente, especialmente concebido para permitir analizar in situ la piel de un paciente mediante la toma de imágenes a través del propio dispositivo y permitir discriminar entre lesiones cancerígenas, no cancerígenas, enfermedades malignas y enfermedades benignas en base al procesamiento de las imágenes tomadas y a partir de un procedimiento que es igualmente objeto de la invención. La invención se sitúa pues en el ámbito de los instrumentos médicos de diagnosis, y más concretamente en el ámbito de la dermatología. ANTECEDENTES DE LA INVENCIÓN Hasta el año 2012 el uso de redes neuronales convolucionales pre-entrenadas para la clasificación de imágenes, era bastante limitado, dado que la tasa de error de los mejores algoritmos clásicos estaba en torno al 26%. En ese mismo año una red neuronal convolucional denominada Alexnet consiguió batir todos los records y redujo la tasa de error al 16%. Como comentó el periódico The Economist sobre las redes neuronales, "De repente, la gente empezó a prestar atención, no sólo dentro de la comunidad de la IA, sino en toda la industria tecnológica". Ya en el año 2015 se superó el rendimiento de los humanos (entorno al 5% de tasa de error) y con las redes usadas para este proyecto, la tasa de error es ya inferior al 1%. Otro de los avances que han permitido conseguir los resultados obtenidos es la técnica de transferencia de aprendizaje "transfer learning. Esta técnica permite utilizar el conocimiento adquirido en una tarea en otra tarea relacionada pero diferente. Gracias a la transferencia de aprendizaje, tareas para las que no tenemos muchos datos por el coste de recopilarlos se pueden mejorar ampliamente reutilizando el conocimiento adquirido en otras tareas para las ue tenemos muchos más datos (en nuestro caso otros problemas de clasificación de imágenes que no están relacionados con lesiones cutáneas) . La realidad es que estos métodos no se habían aplicado hasta la fecha para el análisis y diagnóstico de posibles lesiones cutáneas, tales como lesiones cancerígenas, no cancerígenas, enfermedades malignas y enfermedades benignas. EXPLICACIÓN DE LA INVENCIÓN El dermatoscopio inteligente que la invención propone viene a llenar el vacío técnico anteriormente descrito. Para ello, y de forma más concreta, el dermatoscopio de la invención se constituye a partir de un dispositivo portátil, en el que participa una carcasa con un mando ergonómico de agarre manual, carcasa que define un armazón resistente para los componentes electrónicos que participan en el dispositivo, que integra una cámara digital de alta resolución, con zoom óptico y digital, así como una luz auxiliar regulable. La cámara incorporará medios de protección intercambiables que la protejan de posibles golpes y ralladuras. La cámara estará asociada un microprocesador, que a su vez se conecta a una pantalla táctil, contando con una batería de gran capacidad, un botón de encendido y apagado, y un módulo de comunicaciones inalámbricas para la gestión remota de las imágenes tomadas. En cuanto al procedimiento que se lleva a cabo mediante el dispositivo de la invención, en el mismo se definen cinco etapas: 1. Segmentación de las lesiones. 2. Extracción de descriptores. 3. Aumento de los datos. 4. Modelo de redes neuronales convolucionales. 5. Agregación de "bootstrap/bagging" o empaquetado (meta-algoritmo de aprendizaje automático. En cuanto al proceso de segmentación, para separar la lesión del resto de la piel se usa un algoritmo de agrupamiento tipo ("clustering") k-means. Esta etapa es importante porque permite extraer descriptores esenciales para mejorar los resultados de la clasificación. En una segunda etapa y una vez separada la lesión del resto de la piel se extraen descriptores de la lesión basados en : • Asimetrías (cuando las mitades de la lesión son diferentes) • Irregularidades de los bordes. • Color (uniformidad de la pigmentación, diferentes colores) Estos descriptores numéricos se integran con la red neuronal convolucional. En una tercera etapa se procede al aumento de datos; se trata de una técnica destinada a aumentar la diversidad del conjunto de datos de entrenamiento (en nuestro caso imágenes) mediante la aplicación de transformaciones aleatorias realistas. Estas técnicas son necesarias ya que una misma lesión se puede fotografiar desde diferentes ángulos, con diferente intensidad de la luz, diferentes colores de piel... Se intentará multiplicar cada imagen de manera aleatoria simulando las diferentes condiciones en las que una misma lesión se puede hallar. La siguiente fase consiste en integrar los datos obtenidos en una red neuronal convolucional. Con los modelos pre-entrenados, usamos la técnica del fine-tuning, que consiste en "transferir" el aprendizaje de una red de un dominio (la clasificación de las imágenes de Imagenet) a otro (la clasificación de lesiones de la piel) . Finalmente, se agrega un "bootstrap", es decir un meta-algoritmo de aprendizaje automático diseñado para mejorar la estabilidad, la precisión y reducir la varianza de los algoritmos de aprendizaje automático. El método así descrito permite discriminar entre lesiones cancerígenas, no cancerígenas, enfermedades malignas y enfermedades benignas en función del modo de configuración. DESCRIPCIÓN DE LOS DIBUJOS Para complementar la descripción que seguidamente se va a realizar y con objeto de ayudar a una mejor comprensión de las características del invento, de acuerdo con un ejemplo preferente de realización práctica del mismo, se acompaña como parte integrante de dicha descripción, un juego de planos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente: La figura 1.- Muestra una vista en perspectiva anterior de un dermatoscopio inteligente realizado de acuerdo con el objeto de la presente invención. La figura 2.- Muestra una vista en perspectiva posterior del dispositivo de la figura anterior. La figura 3.- Muestra una vista en perspectiva y en explosión del dispositivo de las figuras 1 y 2. La figura 4.- Muestra una vista en perspectiva del conjunto de la figura 3 parcialmente montado. La figura 5.- Muestra, finalmente una vista en perspectiva opuesta del conjunto de la figura 4. REALIZACIÓN PREFERENTE DE LA INVENCIÓN A la vista de las figuras reseñadas, puede observarse como el dermatoscopio de la invención está constituido a partir de un dispositivo portátil (1) , en el que participa un chasis central (3) al que son acoplables dos semi-carcasas (2-2) extremas, todos ellos obtenidos en nylon con fibra de carbono, ligero y muy resistente, que garantiza un perfecto uncionamiento a lo largo de todo su ciclo de vida útil. El conjunto forma un armazón o carcasa en el que se define un mango (4) ergonómico y antideslizante, para facilitar el uso con una sola mano, rematado en un lazo (5) ajustable a la muñeca para minimizar el riesgo de caídas accidentales. El armazón se complementa con refuerzos (6) en las esquinas TPe Shore 70A, para proteger la integridad de la carcasa en caso de impacto. El dispositivo incluye una cámara digital (7) de alta resolución, preferentemente de 108 MP, con zoom Opticoy digital, equipada con ISO nativo dual, lo que le da un mayor rango dinámico, detalles más vívidos y control de ruido profesional. La cámara se complementa con una luz auxiliar regulable en 5 niveles de brillo, con opción de elegir entre luz polarizada y no polarizada, y función de auto apagado, incluyendo protectores fácilmente intercambiables. Dicha cámara digital (7) estará asociada un microprocesador, que a su vez se conecta a una pantalla táctil (8) , AMOLED y procesador Qualcomm® Snapdragon™ 732G con la tecnología de procesamiento de 8 nm con una arquitectura avanzada de CPU y GPU, computación de datos mejorada y capacidad de procesamiento de imágenes, estando estos componentes electrónicos alimentados por una batería (9) de 10400 mAh, con LEDs indicadores del estado de carga y puerto de carga rápida USB C. El dispositivo se activará y desactivará a través del correspondiente botón de encendido y apagado, contando un módulo de comunicaciones inalámbricas Wifi, 4G y Bluetooth. A partir de esta estructuración, el dispositivo permitirá tomar imágenes de gran calidad y nitidez de distintas zonas de la piel a analizar, imágenes que serán gestionadas de acuerdo al siguiente procedimiento: En una primera fase se llevará a cabo un proceso de segmentación de las imágenes, en orden a separar la lesión del resto de la piel. Para ello se usa un algoritmo de agrupamiento tipo ("clustering") k-means. Esta etapa es importante porque permite extraer descriptores esenciales para mejorar los resultados de la clasificación. En una segunda etapa y una vez separada la lesión del resto de la piel se extraen descriptores de la lesión basados en: • Asimetrías (cuando las mitades de la lesión son diferentes) • Irregularidades de los bordes. • Color (uniformidad de la pigmentación, diferentes colores) Estos descriptores numéricos se integran con la red neuronal convolucional. En una tercera etapa se procede al aumento de datos. Consiste en una técnica destinada a aumentar la diversidad del conjunto de datos de entrenamiento (en nuestro caso imágenes) mediante la aplicación de transformaciones aleatorias realistas. Estas técnicas son necesarias ya que una misma lesión se puede fotografiar desde diferentes ángulos, con diferente intensidad de la luz, diferentes colores de piel, etc. Se intentará multiplicar cada imagen de manera aleatoria simulando las diferentes condiciones en las que una misma lesión se puede hallar con las siguientes transformaciones aleatorias: • Rotaciones. • Ajustes de brillo y contraste. • Diferentes zooms. • Distorsiones ópticas. • Variación de la nitidez. • Variación en la calidad de compresión de las imágenes. • Inyección de diferentes tipos de ruido. Gracias al aumento de datos, a partir de cada imagen de entrenamiento se podrán crear miles de variaciones sintéticas sirviendo tanto como una técnica de regularización como una manera de dar estabilidad a nuestro algoritmo. En una cuarta fase, las imágenes tratadas se integran en una red neuronal convolucional. Las redes neuronales convolucionales se distinguen de otras redes neuronales por su rendimiento muy superior con imágenes, voz o audio. Usaremos modelos pre-entrenados con el dataset de imágenes Imagenet. Este dataset consta de en torno a 15 millones de imágenes con 1000 clases diferentes y es ampliamente usado en la investigación en algoritmos de visión artificial. Con los modelos pre-entrenados, usamos la técnica del fine-tuning, que consiste en "transferir" el aprendizaje de una red de un dominio (la clasificación de las imágenes de Imagenet) a otro (la clasificación de lesiones de la piel) . Para ello se usará la red pre­ entrenada como punto de partida que se re-entrenará con nuestro dataset de imágenes de lesiones de la piel (con una modificación de la parte final del modelo adaptándola a nuestro objetivo y añadiéndoles los descriptores extraídos) . Para los modelos pre-entrenados, utilizamos las redes neuronales convolucionales denominadas "EfficientNetV2". Estas redes se caracterizan por su eficiencia tanto en la velocidad de entrenamiento, de inferencia y de tamaño. La red tiene 20.331.360 parámetros entrenables a los que hay que unirle los parámetros destinados a los descriptores extraídos. Para el entrenamiento y la manipulación de estas redes, usaremos la librería de redes neuronales de Google Tensorflow y su repositorio de modelos pre-entrenados Tensorflow-Hub. El proceso de entrenamiento se modifica de diferentes maneras para adaptarse a las cualidades muy particulares de nuestros datos. • Hay que ser conscientes de que las imágenes son etiquetadas por seres humanos, por lo tanto se tiene en cuenta que una parte de ellas puede tener etiquetas erróneas. Para hacer el modelo más robusto y que no afecte al rendimiento el hecho de que existan algunas imágenes erróneas, se aplican dos técnicas: • "Labe! smoothing": Es una técnica de regularización destinada a añadir incertidumbre a las etiquetas para evitar el sobreajuste. • Etiquetas ruidosas ("noisy labels") . Es un conjunto de técnicas destinadas a estimar la cantidad de etiquetas "erróneas" y a adaptarse a ellas. • Hay ciertos tipos de lesión (especialmente algunos melanomas) que son mucho más difíciles de distinguir. Para lidiar con ello, aplicamos un "boosting" relajado, en el que por medio de validación cruzada asignamos más peso a los datos en los que funciona peor un modelo simplificado. • El "learning rate" del algoritmo de aprendizaje, se modifica con un decaimiento exponencial y se adapta a la cantidad nueva de datos. • Por la naturaleza de la aplicación, tenemos una gran cantidad de imágenes no etiquetadas. De ahí escogemos de manera aleatoria entre las imágenes en las que más confianza da el modelo y las introducimos durante el aprendizaje (nunca en más de una época) y añadiendo incertidumbre a la etiqueta. Este apartado es realmente importante, puesto que etiquetar imágenes es muy costoso, se necesita tiempo de personal muy cualificado. Gracias a esto podemos utilizar imágenes sin etiquetar en lugar de desecharlas. Finalmente, el procedimiento de la invención prevé la agregación de un meta-algoritmo de aprendizaje automático o "bootstrap", diseñado para mejorar la estabilidad, la precisión y reducir la varianza de los algoritmos de aprendizaje automático. Usamos esta técnica gracias a la eficiencia de las redes "EfficientNetVZ. Entrenamos 5 redes con subconjuntos de imágenes de entrenamiento elegidos de forma aleatoria y promediamos sus resultados (ensamblamos las 5 redes) . Esta técnica nos permite mejorar la estabilidad y el rendimiento del algoritmo ampliamente.

Publicaciones:
ES1306029 (29/02/2024) - U Solicitud de modelo de utilidad
Eventos:
En fecha 16/12/2022 se realizó 5101 Registro Instancia Solicitud Cambio de Modalidad
En fecha 12/06/2023 se realizó Suspenso en examen de oficio
En fecha 12/06/2023 se realizó 6101U_Notificación defectos en examen de oficio
En fecha 16/06/2023 se realizó Publicación Defectos en examen de oficio
En fecha 07/07/2023 se realizó 3007_Registro contestación al suspenso en examen de oficio
En fecha 25/10/2023 se realizó Suspenso en examen de oficio
En fecha 25/10/2023 se realizó 6101U_Notificación defectos en examen de oficio
En fecha 31/10/2023 se realizó Publicación Defectos en examen de oficio
En fecha 02/01/2024 se realizó 3007_Registro contestación al suspenso en examen de oficio
En fecha 22/02/2024 se realizó Continuación del Procedimiento y Publicación Solicitud
En fecha 22/02/2024 se realizó 1110U_Notificación Continuación del Procedimiento y Publicación Solicitud
En fecha 29/02/2024 se realizó Publicación Solicitud
En fecha 29/02/2024 se realizó Publicación Folleto Publicación
En fecha 14/05/2024 se realizó Concesión
En fecha 14/05/2024 se realizó 1201U_Notificación Concesión