Aprendizaje multiescala con red residual dispersa para un diagnóstico multi-enfermedad explicativo en imágenes de OCT
Autores: Bui, Phuoc-Nguyen; Le, Duc-Tai; Bum, Junghyun; Kim, Seongho; Song, Su Jeong; Choo, Hyunseung
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aprendizaje multiescala con red residual dispersa para un diagnóstico multi-enfermedad explicativo en imágenes de OCT
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Técnicas de imagen médica
Tomografía de coherencia óptica
Algoritmos de aprendizaje profundo
Enfermedades retinianas
Aprendizaje multiescala
Red residual dispersa
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
En las últimas décadas, las técnicas de imagen médica han revolucionado el campo del diagnóstico de enfermedades, permitiendo a los profesionales de la salud observar de manera no invasiva las estructuras internas del cuerpo humano. Entre estas técnicas, la tomografía de coherencia óptica (OCT) ha surgido como una herramienta poderosa y versátil que permite la obtención de imágenes de alta resolución, no invasivas y en tiempo real de los tejidos biológicos. Los algoritmos de aprendizaje profundo han sido empleados con éxito para detectar y clasificar diversas enfermedades retinianas en imágenes de OCT, facilitando el diagnóstico temprano y la planificación del tratamiento. Sin embargo, los algoritmos de aprendizaje profundo existentes están principalmente diseñados para el diagnóstico de una sola enfermedad, lo que limita su aplicación práctica en entornos clínicos donde las imágenes de OCT a menudo contienen síntomas de múltiples enfermedades. En este documento, proponemos un enfoque efectivo para el diagnóstico de múltiples enfermedades en imágenes de OCT utilizando un método de aprendizaje multiescala (MSL) y una red residual dispersa (SRN). Específicamente, el método MSL extrae y fusiona características útiles de imágenes de diferentes tamaños para mejorar la capacidad discriminativa de un clasificador y hacer que las predicciones de enfermedades sean interpretables. La SRN es una red residual mínima, donde las capas convolucionales con tamaños de kernel grandes son reemplazadas por múltiples capas convolucionales que tienen tamaños de kernel más pequeños, reduciendo así la complejidad del modelo y logrando un rendimiento similar al de las redes neuronales convolucionales existentes. La red residual dispersa multiescala propuesta supera significativamente a los métodos existentes, exhibiendo una precisión del 97.40%, una sensibilidad del 95.38% y una especificidad del 98.25%. Los resultados experimentales muestran el potencial de nuestro método para mejorar los sistemas de diagnóstico explicativos para diversas enfermedades oculares a través de la discriminación visual.
Descripción
En las últimas décadas, las técnicas de imagen médica han revolucionado el campo del diagnóstico de enfermedades, permitiendo a los profesionales de la salud observar de manera no invasiva las estructuras internas del cuerpo humano. Entre estas técnicas, la tomografía de coherencia óptica (OCT) ha surgido como una herramienta poderosa y versátil que permite la obtención de imágenes de alta resolución, no invasivas y en tiempo real de los tejidos biológicos. Los algoritmos de aprendizaje profundo han sido empleados con éxito para detectar y clasificar diversas enfermedades retinianas en imágenes de OCT, facilitando el diagnóstico temprano y la planificación del tratamiento. Sin embargo, los algoritmos de aprendizaje profundo existentes están principalmente diseñados para el diagnóstico de una sola enfermedad, lo que limita su aplicación práctica en entornos clínicos donde las imágenes de OCT a menudo contienen síntomas de múltiples enfermedades. En este documento, proponemos un enfoque efectivo para el diagnóstico de múltiples enfermedades en imágenes de OCT utilizando un método de aprendizaje multiescala (MSL) y una red residual dispersa (SRN). Específicamente, el método MSL extrae y fusiona características útiles de imágenes de diferentes tamaños para mejorar la capacidad discriminativa de un clasificador y hacer que las predicciones de enfermedades sean interpretables. La SRN es una red residual mínima, donde las capas convolucionales con tamaños de kernel grandes son reemplazadas por múltiples capas convolucionales que tienen tamaños de kernel más pequeños, reduciendo así la complejidad del modelo y logrando un rendimiento similar al de las redes neuronales convolucionales existentes. La red residual dispersa multiescala propuesta supera significativamente a los métodos existentes, exhibiendo una precisión del 97.40%, una sensibilidad del 95.38% y una especificidad del 98.25%. Los resultados experimentales muestran el potencial de nuestro método para mejorar los sistemas de diagnóstico explicativos para diversas enfermedades oculares a través de la discriminación visual.