Diagnóstico asistido por computadora de lesiones de retinopatía diabética basado en destilación de conocimientos en imágenes de fondo de ojo
Autores: Moya-Albor, Ernesto; Lopez-Figueroa, Alberto; Jacome-Herrera, Sebastian; Renza, Diego; Brieva, Jorge
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Diagnóstico asistido por computadora de lesiones de retinopatía diabética basado en destilación de conocimientos en imágenes de fondo de ojo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Retinopatía diabética
Aprendizaje profundo
Clasificación de lesiones
Inception-v3
Destilación de conocimiento
Conjunto de datos de validación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
En la actualidad, el diagnóstico temprano de la retinopatía diabética (RD), una posible complicación de la diabetes debido a concentraciones elevadas de glucosa en la sangre, suele realizarse por especialistas mediante una inspección manual de imágenes de fondo de ojo de alta resolución basada en la detección de lesiones, lo que conlleva problemas como una alta intensidad de trabajo y accesibilidad solo en centros de salud especializados. Para apoyar el diagnóstico de la RD, proponemos un método de clasificación de lesiones de RD basado en el aprendizaje profundo (DL) a través de una estrategia de destilación de conocimientos (KD). Primero, utilizamos la arquitectura DL pre-entrenada, Inception-v3, como modelo maestro para destilar el conjunto de datos. Luego, se entrena un modelo estudiante, también utilizando el modelo Inception-v3, en el conjunto de datos destilado para igualar el rendimiento del modelo maestro. Además, se utiliza una nueva combinación de divergencia de Kullback-Leibler (KL) y pérdida de entropía cruzada categórica (CCE) para medir la diferencia entre los modelos maestro y estudiante. Esta métrica combinada fomenta que el modelo estudiante imite las predicciones del modelo maestro. Finalmente, el modelo estudiante entrenado se evalúa en un conjunto de datos de validación para evaluar su rendimiento y compararlo tanto con el modelo maestro como con otro modelo DL competitivo. Se realizan experimentos en los dos conjuntos de datos, correspondientes a un conjunto de datos desequilibrado y otro equilibrado. Se evalúan dos modelos de referencia (Inception-v3 y YOLOv8), obteniendo una precisión máxima de entrenamiento del 66.75% y 90.90%, respectivamente, y una precisión máxima de validación del 35.94% y 81.52%, ambos para el conjunto de datos desequilibrado. Por otro lado, el modelo propuesto de clasificación de RD logra una precisión promedio de entrenamiento del 99.01% y una precisión promedio de validación del 97.30%, superando a los modelos de referencia y otros trabajos de vanguardia. Los resultados experimentales muestran que el modelo propuesto logra resultados competitivos en tareas de detección y clasificación de lesiones de RD, ayudando en el diagnóstico temprano de la retinopatía diabética.
Descripción
En la actualidad, el diagnóstico temprano de la retinopatía diabética (RD), una posible complicación de la diabetes debido a concentraciones elevadas de glucosa en la sangre, suele realizarse por especialistas mediante una inspección manual de imágenes de fondo de ojo de alta resolución basada en la detección de lesiones, lo que conlleva problemas como una alta intensidad de trabajo y accesibilidad solo en centros de salud especializados. Para apoyar el diagnóstico de la RD, proponemos un método de clasificación de lesiones de RD basado en el aprendizaje profundo (DL) a través de una estrategia de destilación de conocimientos (KD). Primero, utilizamos la arquitectura DL pre-entrenada, Inception-v3, como modelo maestro para destilar el conjunto de datos. Luego, se entrena un modelo estudiante, también utilizando el modelo Inception-v3, en el conjunto de datos destilado para igualar el rendimiento del modelo maestro. Además, se utiliza una nueva combinación de divergencia de Kullback-Leibler (KL) y pérdida de entropía cruzada categórica (CCE) para medir la diferencia entre los modelos maestro y estudiante. Esta métrica combinada fomenta que el modelo estudiante imite las predicciones del modelo maestro. Finalmente, el modelo estudiante entrenado se evalúa en un conjunto de datos de validación para evaluar su rendimiento y compararlo tanto con el modelo maestro como con otro modelo DL competitivo. Se realizan experimentos en los dos conjuntos de datos, correspondientes a un conjunto de datos desequilibrado y otro equilibrado. Se evalúan dos modelos de referencia (Inception-v3 y YOLOv8), obteniendo una precisión máxima de entrenamiento del 66.75% y 90.90%, respectivamente, y una precisión máxima de validación del 35.94% y 81.52%, ambos para el conjunto de datos desequilibrado. Por otro lado, el modelo propuesto de clasificación de RD logra una precisión promedio de entrenamiento del 99.01% y una precisión promedio de validación del 97.30%, superando a los modelos de referencia y otros trabajos de vanguardia. Los resultados experimentales muestran que el modelo propuesto logra resultados competitivos en tareas de detección y clasificación de lesiones de RD, ayudando en el diagnóstico temprano de la retinopatía diabética.