Video Experimental Relacionado
Updated: Sep 8, 2025
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
Una tubería de aprendizaje profundo de múltiples tareas que integra la segmentación de vasos y la radiómica para la
Feng Yan1, Yanxia Liu2, Qingsong Zhao3
1Department of Ophthalmology, Ningcheng Central Hospital, Chifeng City, Inner Mongolia Autonomous Region, 024200, China.
Photodiagnosis and photodynamic therapy
|September 6, 2025
Resumen
Este estudio desarrolló un marco de aprendizaje profundo para clasificar la retinopatía diabética, la retinopatía hipertensiva y el papilledema a partir de imágenes de fondo. El modelo logró una alta precisión, lo que demuestra el potencial para el diagnóstico automatizado de la enfermedad de la retina.
Área de la Ciencia:
- Oftalmología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La clasificación precisa de las enfermedades de la retina como la retinopatía diabética (DR), la retinopatía hipertensiva (HR) y el papilledema es crucial para una intervención oportuna.
- El análisis automatizado de las imágenes del fondo puede ayudar en la detección temprana y el manejo de estas condiciones.
Objetivo del estudio:
- Desarrollar un marco de aprendizaje profundo de múltiples tareas que integre la segmentación de los vasos y el análisis radiómico para la clasificación automatizada de cuatro afecciones de la retina.
- Evaluar el rendimiento de los modelos de segmentación basados en transformadores y las características radiómicas para la clasificación de enfermedades.
Principales métodos:
- Utilizó un conjunto de datos de 2.165 pacientes de ocho centros médicos, con imágenes de fondo sometidas a un preprocesamiento estandarizado.
- Se emplearon cinco modelos de aprendizaje profundo (U-Net, Attention U-Net, DeepLabV3+, HRNet, Swin-Unet) para la segmentación de vasos enteros y arterias y venas.
- Se extrajeron 220 características radiómicas y se calculó la relación arteriovenosa (AVR), seguidas de la selección y clasificación de características utilizando modelos XGBoost, CatBoost, RF y Ensemble.
Principales resultados:
- Swin-Unet logró un rendimiento de segmentación superior con un coeficiente de similitud de dados externos (DSC) del 92,4% (todo el vaso) y del 89,8% (arteria-vena).
- La combinación del clasificador LASSO-Ensemble produjo una precisión del ensayo del 93,7%, una precisión del ensayo externo del 92,3% y un AUC del 95,2%.
- Las estimaciones de AVR se alinearon con las expectativas clínicas y contribuyeron significativamente a la discriminación de clase.
Conclusiones:
- La tubería de tareas múltiples desarrollada combina efectivamente la segmentación basada en transformadores con la radiómica para una clasificación precisa e interpretable de las enfermedades de la retina.
- El marco demuestra una fuerte generalización, mostrando un potencial significativo para futuras aplicaciones clínicas en el diagnóstico automatizado de enfermedades de la retina.
