Un enfoque basado en aprendizaje por transferencia para la clasificación automatizada de fracturas óseas en imágenes...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Ortopedia

Sus antecedentes:

• La clasificación precisa de fracturas óseas es crucial en la imagenología médica.
• El aprendizaje profundo ofrece una mayor precisión diagnóstica y una reducción de los errores humanos.

Objetivo del estudio:

• Proponer EnsembleAttenBoneNet, un modelo de aprendizaje profundo de conjunto para la clasificación de fracturas óseas.
• Mejorar la precisión y la robustez de la detección de fracturas en imágenes de rayos X.

Principales métodos:

• Se desarrolló un modelo de conjunto que combina ResNet50 y EfficientNetB3 con un mecanismo de atención Squeeze-and-Excitation (SE).
• El preprocesamiento incluyó redimensionamiento, normalización y aumento para mejorar la generalización.
• Se extrajeron, concatenaron y refinaron las características utilizando el módulo de atención SE.

Principales resultados:

• El modelo EnsembleAttenBoneNet logró una precisión de clasificación del 99,48 %.
• Este rendimiento superó a los modelos individuales: EfficientNetB3 (98,56 %) y ResNet50 (97,86 %).

Conclusiones:

• La integración del aprendizaje profundo con mecanismos de atención mejora significativamente la precisión diagnóstica de las fracturas óseas.
• El modelo muestra ser una herramienta valiosa para la detección clínica de fracturas.
• El trabajo futuro incluye la expansión del conjunto de datos y la validación en el mundo real.