Octascope: Un modelo pre-entrenado ligero para la tomografía de coherencia óptica

Área de la Ciencia:

• Imágenes biomédicas
• Inteligencia artificial médica
• Aprendizaje profundo para el análisis de imágenes médicas

Sus antecedentes:

• La tomografía de coherencia óptica (OCT) proporciona imágenes de tejido subterráneo de alta resolución.
• El aprendizaje profundo para el análisis de PTU se enfrenta a desafíos con datos de capacitación limitados y velocidades de inferencia lentas.
• El desarrollo de modelos de IA eficientes y precisos para los PTU es crucial para las aplicaciones clínicas.

Objetivo del estudio:

• Desarrollar un modelo de red neuronal convolucional ligero y específico de dominio (CNN) para un análisis de imágenes de los PTU eficiente y preciso.
• Mejorar la generalización de los modelos de análisis de los PTU en diversos tipos de tejidos.
• Lograr un equilibrio entre la eficiencia computacional y la precisión del diagnóstico para las aplicaciones de los PTU en tiempo real.

Principales métodos:

• Desarrolló Octascope, un modelo CNN ligero para el análisis de imágenes OCT.
• Utilizó un enfoque de aprendizaje curricular para la formación previa: imágenes naturales (ImageNet) seguidas de diversos tejidos de los PTU (retina, abdomen, riñón).
• Evaluó Octascope en tareas de detección de tejido epidural y diagnóstico de retina, comparándolo con los métodos existentes y un modelo basado en Transformer.

Principales resultados:

• Octascope demostró una mejor precisión en la detección de tejido epidural (9,13% sobre el aprendizaje de una sola tarea, 5,95% sobre el aprendizaje de transferencia específico de OCT).
• Octascope superó a VGG16 (5,36%) y ResNet50 (6,66%) en el diagnóstico de la retina.
• Octascope logró una velocidad de inferencia de 2 a 4,4 veces más rápida que RETFound con una precisión comparable o mejor.

Conclusiones:

• Octascope ofrece un avance significativo en el análisis de imágenes OCT, equilibrando la eficiencia computacional y la precisión del diagnóstico.
• La estrategia de preentrenamiento multidominio mejora la generalización del modelo en diferentes tipos de tejidos.
• Octascope es adecuado para aplicaciones clínicas en tiempo real que requieren una interpretación de imágenes OCT rápida y confiable.