Video Experimental Relacionado
Updated: Jan 13, 2026
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
DTG: Redes generativas adversarias basadas en transformadores duales para la clasificación de imágenes 2D/3D OCT de
Badr Ait Hammou1, Renaud Duval1, Marie-Carole Boucher1
1Department of Ophthalmology, Université de Montréal, Montreal, Québec, Canada; Centre Universitaire d'Ophtalmologie (CUO), Hôpital Maisonneuve-Rosemont, CIUSSS de l'Est-de-l'Île-de-Montréal, Montréal, Québec, Canada.
Este estudio presenta las Redes Generativas Adversarias basadas en Transformadores Duales (DTG) para mejorar la clasificación de enfermedades retinianas a partir de escaneos de Tomografía de Coherencia Óptica (OCT). DTG mejora la precisión diagnóstica aprovechando IA avanzada y técnicas de aumento de datos.
Área de la Ciencia:
- Oftalmología
- Imágenes Médicas
- Inteligencia Artificial
Sus antecedentes:
- La identificación automatizada de trastornos retinianos es una aplicación clave en oftalmología.
- Los modelos Transformer muestran potencial en la clasificación de imágenes, pero requieren más datos para aplicaciones médicas.
- Los métodos actuales para la clasificación de datos retinianos necesitan mejoras en el rendimiento.
Objetivo del estudio:
- Proponer una arquitectura novedosa de aprendizaje profundo, Redes Generativas Adversarias basadas en Transformadores Duales (DTG), para mejorar la clasificación de enfermedades retinianas.
- Abordar el problema de la necesidad de grandes cantidades de datos de los modelos Transformer en imágenes médicas.
- Mejorar la precisión y fiabilidad del diagnóstico automatizado utilizando datos de Tomografía de Coherencia Óptica (OCT).
Principales métodos:
- Se utilizó Vision Transformer y Multiscale Vision Transformer para codificar imágenes OCT 2D y 3D.
- Se empleó una arquitectura de Redes Generativas Adversarias (GAN) para una representación de datos semántica de alta calidad.
- Se implementó una técnica de aumento de datos basada en instancias de pacientes para incrementar los datos de entrenamiento.
- Se aplicó un clasificador ponderado para la tarea final de clasificación de enfermedades retinianas.
Principales resultados:
- La arquitectura DTG propuesta logró un rendimiento superior en múltiples métricas, incluyendo precisión, exactitud, exhaustividad, puntuación F1 y AUC.
- DTG superó a las Redes Neuronales Convolucionales y modelos Transformer populares en la clasificación de imágenes OCT 2D y 3D.
- El enfoque demostró mejoras significativas sobre los métodos existentes para la clasificación de datos retinianos.
Conclusiones:
- La arquitectura DTG ofrece una solución potente para la clasificación automatizada de enfermedades retinianas a partir de datos OCT.
- La combinación de Transformers, GANs y aumento de datos aborda eficazmente las limitaciones de datos en IA médica.
- Este trabajo avanza el campo de la IA en oftalmología, prometiendo un diagnóstico de enfermedades más preciso y eficiente.
