Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jan 13, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K

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.

Medical image analysis
|January 10, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Retinal lesion annotation on fundus imaging: an interobserver variability study.

Scientific reports·2026
Same author

Multimodal Deep Learning for Benign vs Malignant Eyelid Lesion Classification Using Optical Coherence Tomography and Clinical Images.

Ophthalmic plastic and reconstructive surgery·2026
Same author

Cell type transcriptomic modules reveal shared molecular mechanisms in Alzheimer's and Parkinson's disease.

GigaScience·2026
Same author

Impact of AI-enhanced three-dimensional OCT scans on disease activity assessment in patients with nAMD: the RAZORBILL study.

The British journal of ophthalmology·2026
Same author

Automatic dental crown generation with spatial constraint modeling.

Journal of medical imaging (Bellingham, Wash.)·2026
Same author

DNAi: an open-source AI tool for unbiased DNA fiber analysis.

Nucleic acids research·2026

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).
Palabras clave:
clasificación de imágenes 3D OCTmodelos generativosclasificación de imágenestransformador de visión multiescalatomografía de coherencia ópticaclasificación de enfermedades retinianastransformador de visión

Más Videos Relacionados

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

731

Videos de Experimentos Relacionados

Last Updated: Jan 13, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

731

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.