Desarrollo de un Modelo de Aprendizaje Profundo Basado en Descomposición Empírica de Modos para Imágenes Médicas:...

Área de la Ciencia:

• Inteligencia Artificial
• Análisis de Imágenes Médicas
• Procesamiento de Señales

Sus antecedentes:

• La clasificación precisa de imágenes médicas es crucial para la detección temprana de enfermedades.
• Los modelos de aprendizaje profundo muestran promesa pero pueden optimizarse aún más para conjuntos de datos médicos complejos.
• La imagenología endoscópica gastrointestinal presenta desafíos únicos para el análisis automatizado.

Objetivo del estudio:

• Desarrollar y evaluar un marco novedoso de aprendizaje profundo que incorpore la Descomposición Empírica de Modos bidimensional (2D EMD) para mejorar la clasificación de imágenes multiclase.
• Evaluar el impacto de 2D EMD en el rendimiento de varias arquitecturas de aprendizaje profundo en la clasificación de imágenes endoscópicas gastrointestinales.
• Explorar el potencial de este enfoque para la detección temprana de enfermedades en la atención médica.

Principales métodos:

• Se diseñó un marco de aprendizaje profundo que utiliza 2D EMD para descomponer imágenes médicas en funciones de modo intrínseco (IMF).
• Se utilizó el conjunto de datos Kvasir, que comprende 8000 imágenes endoscópicas gastrointestinales de ocho clases, para la validación.
• Se evaluó la eficacia de la integración de 2D EMD comparando cuatro modelos de aprendizaje profundo establecidos (ResNet152, VGG19bn, MobileNetV3L, SwinTransformerV2S) con y sin preprocesamiento EMD.

Principales resultados:

• La resta de las IMF derivadas de 2D EMD mejoró consistentemente la precisión, la puntuación F1 y el AUC en todos los modelos de aprendizaje profundo evaluados.
• Se observaron mejoras significativas en el rendimiento, incluido un aumento de aproximadamente el 9% en la precisión para ResNet152, el 18% para VGG19L, el 3% para MobileNetV3L y el 8% para SwinTransformerV2.
• Las técnicas de IA explicable (Grad-CAM) confirmaron que los modelos se centraron en regiones gastrointestinales relevantes para predicciones precisas.

Conclusiones:

• La integración de 2D EMD mejora significativamente el rendimiento de los modelos de aprendizaje profundo para la clasificación de imágenes gastrointestinales.
• Este enfoque basado en 2D EMD ofrece una estrategia prometedora para mejorar el análisis de imágenes médicas impulsado por IA y la detección de enfermedades.
• El marco demuestra potencial para aplicaciones más amplias en imágenes médicas y otros dominios de clasificación de imágenes.