Método para la clasificación de imágenes de ultrasonido fetal mediante pseudoetiquetado con PCA-KMeans y un modelo...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ingeniería biomédica

Sus antecedentes:

• La clasificación precisa de las imágenes de ultrasonido fetal es crucial para el diagnóstico precoz, pero se ve obstaculizada por los datos etiquetados limitados y la alta variabilidad entre clases.
• Los métodos existentes luchan con la escasez y el desequilibrio de los datos, lo que afecta la fiabilidad del diagnóstico.

Objetivo del estudio:

• Desarrollar un marco robusto de aprendizaje profundo para mejorar la clasificación de imágenes de ultrasonido fetal.
• Abordar los desafíos de los datos etiquetados limitados y el desequilibrio de clase utilizando técnicas de aprendizaje sin supervisión.

Principales métodos:

• Se diseñó una arquitectura híbrida de aprendizaje profundo que combina MobileNet, autoatención de múltiples cabezas y capas LSTM.
• Se empleó la agrupación sin supervisión utilizando el Análisis de Componentes Principales (PCA) y K-means para la generación de pseudoetiquetas y el equilibrio de clases.
• El aprendizaje de transferencia se utilizó en un conjunto de datos aumentados para el entrenamiento de modelos.

Principales resultados:

• El modelo propuesto logró una precisión de prueba de aproximadamente el 98%.
• Se obtuvo una puntuación macro-F1 de 0,98, lo que indica un rendimiento de clasificación altamente confiable.
• El marco demostró fuertes capacidades de generalización en el conjunto de datos de prueba.

Conclusiones:

• El marco de aprendizaje profundo desarrollado mejora efectivamente el aprendizaje de características y el contexto temporal para la clasificación de imágenes de ultrasonido fetal.
• Las estrategias de pseudoetiquetado y de equilibrio de clases sin supervisión abordaron con éxito los problemas de escasez y desequilibrio de datos.
• La alta precisión del modelo y la puntuación macro-F1 demuestran su potencial para una aplicación clínica confiable.