MAFNet: Un nuevo modelo multiescala adaptativo para la clasificación de grano fino de la retinopatía diabética

Área de la Ciencia:

• Oftalmología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética es una de las principales causas de ceguera en todo el mundo.
• La detección temprana y la clasificación precisa de la DR son fundamentales para una intervención clínica eficaz.
• Los métodos existentes se enfrentan a limitaciones en la fusión de características de lesiones a escala múltiple y el modelado de relaciones.

Objetivo del estudio:

• Desarrollar una nueva red neuronal convolucional adaptativa a escala múltiple para la clasificación de la retinopatía diabética de grano fino.
• Abordar las limitaciones en la fusión de características y el modelado de la relación de lesiones en los métodos actuales de detección de DR.

Principales métodos:

• La propuesta de MAFNet (red adaptativa de granos finos a escala múltiple) con tres módulos principales: el módulo de contexto global jerárquico (HGCM), el módulo de atención adaptativa a escala múltiple (MSAM) y el módulo de atención relacional de múltiples cabezas (RMA).
• HGCM expande los campos receptivos utilizando la fusión dinámica y el pooling a escala múltiple para las características de lesiones de micro a gran escala.
• MSAM emplea atención adaptativa para la ponderación de características dinámicas, mejorando la representación de lesiones clave.
• RMA utiliza la atención de múltiples cabezas para modelar las relaciones de características en paralelo para mejorar la identificación de grano fino.
• Implementó un marco de aprendizaje de tareas múltiples (regresión y clasificación) para capturar la progresión de DR.

Principales resultados:

• MAFNet logró altos valores de Kappa ponderados cuadráticos: 0.934 en DDR, 0.917 en Messidor-2 y 0.936 en APTOS.
• Demostró una mejora significativa del rendimiento con respecto a los métodos existentes como LANet y MPLNet.
• Validado en tres conjuntos de datos públicos, confirmando un rendimiento sólido.

Conclusiones:

• MAFNet ofrece un avance significativo en la clasificación automatizada de la retinopatía diabética.
• La capacidad del modelo para integrar características de múltiples escalas y las relaciones de lesiones del modelo conduce a una mayor precisión.
• MAFNet muestra un valor de aplicación sustancial para la detección temprana y precisa de la retinopatía diabética.