Mejorar la detección temprana de enfermedades gastrointestinales con visualización espectral y aprendizaje profundo

Área de la Ciencia:

• Imágenes médicas
• Gastroenterología
• Visión por computadora

Sus antecedentes:

• El diagnóstico de enfermedades gastrointestinales a través de la endoscopia está limitado por las imágenes de luz blanca convencionales (WLI).
• La detección temprana de anomalías de la mucosa es un reto debido al bajo contraste y sensibilidad.
• Las técnicas avanzadas de imagen como la imagen hiperspectral (HSI) ofrecen potencial pero requieren hardware especializado.

Objetivo del estudio:

• Desarrollar y validar un marco basado en software, el Spectrum Aided Vision Enhancer (SAVE).
• Transformar el WLI estándar en HSI y simulación de imágenes de banda estrecha (NBI) sin modificaciones de hardware.
• Para mejorar el rendimiento diagnóstico de las enfermedades gastrointestinales.

Principales métodos:

• Se utilizaron técnicas de reconstrucción espectral: calibración del comprobador de color Macbeth, análisis de componentes principales (PCA) y regresión polinómica multivariada.
• Se consigue una alta fidelidad con un RMSE de 0,056 y un SSIM > 90%.
• Modelos de aprendizaje profundo entrenados y validados (ResNet, EfficientNet) en el conjunto de datos de Kvasir v2 (6490 imágenes).

Principales resultados:

• Las imágenes mejoradas con SAVE superaron constantemente a WLI en precisión, recuerdo y puntuación F1.
• Los modelos EfficientNet-B2 y EfficientNetV2-B0 lograron la mayor precisión de clasificación para las condiciones de IG.
• Se demostró una mejora significativa del rendimiento diagnóstico sin hardware de imagen especializado.

Conclusiones:

• SAVE es una solución de software transformadora para aumentar el diagnóstico gastrointestinal.
• Tiene el potencial de mejorar significativamente las tasas de detección temprana de enfermedades gastrointestinales.
• SAVE puede agilizar los flujos de trabajo clínicos y ampliar el acceso a imágenes avanzadas, especialmente en entornos con recursos limitados.