Video Experimental Relacionado
Updated: May 1, 2026
15:18
Near Infrared Optical Projection Tomography for Assessments of β-cell Mass Distribution in Diabetes Research
Published on: January 12, 2013
16.5K
Integrar la transformación no lineal del radón para la clasificación de la retinopatía diabética
Farida Mohsen1, Samir Belhaouari1, Zubair Shah2
1College of Science and Engineering, Hamad Bin Khalifa University, Doha, Qatar.
Scientific reports
|August 21, 2025
Resumen
Este estudio presenta RadFuse, un nuevo marco de aprendizaje profundo para detectar y clasificar la retinopatía diabética. RadFuse mejora significativamente la precisión mediante la combinación de imágenes de fondo con nuevas representaciones de sinogramas, superando a los métodos existentes.
Área de la Ciencia:
- Oftalmología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La retinopatía diabética es una de las principales causas de pérdida de visión, lo que requiere una detección y clasificación tempranas.
- Los modelos actuales de aprendizaje profundo luchan con los complejos patrones de lesión en las imágenes de la retina.
- La clasificación precisa es crucial para la intervención oportuna y la prevención de la ceguera.
Objetivo del estudio:
- Introducir RadFuse, un marco de aprendizaje profundo de múltiples representaciones para mejorar la detección y clasificación de la retinopatía diabética.
- Para mejorar la captura de las características sutiles y complejas de la lesión de la retina.
- Aprovechar tanto la información de dominio espacial como la transformada para una mejor clasificación.
Principales métodos:
- Desarrolló la transformación RadEx, una extensión no lineal de la transformación Radon, para crear representaciones sinográficas.
- Imágenes sinográficas integradas con imágenes de fondo tradicionales dentro de un marco de aprendizaje profundo (RadFuse).
- Se evaluó RadFuse utilizando ResNeXt-50, MobileNetV2 y VGG19 en los conjuntos de datos APTOS-2019 y DDR.
Principales resultados:
- RadFuse mejoró significativamente la detección y clasificación de la retinopatía diabética en todas las arquitecturas de CNN probadas.
- Logró un 93,24% de kappa para la clasificación de severidad en cinco etapas y un 99,09% de precisión para la clasificación binaria.
- Superó a los métodos de última generación en los conjuntos de datos de referencia, demostrando una captura de características superior.
Conclusiones:
- RadFuse captura efectivamente las características complejas no lineales, avanzando en la clasificación de la retinopatía diabética.
- El marco demuestra el potencial de la integración de transformaciones matemáticas avanzadas en el análisis de imágenes médicas.
- Este enfoque ofrece una dirección prometedora para mejorar la detección y el diagnóstico automatizados de la retinopatía diabética.
