Normalización Adaptativa Mejora la Generalización de Modelos de Aprendizaje Profundo en la Clasificación de...

Área de la Ciencia:

• Imágenes Médicas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El análisis de radiografías de tórax (CXR) depende en gran medida del preprocesamiento de imágenes para una clasificación precisa.
• Las técnicas de normalización estándar pueden no manejar de manera óptima las variaciones en el contraste y la adquisición de CXR.
• El desarrollo de métodos de preprocesamiento robustos es crucial para una IA confiable en diagnósticos médicos.

Objetivo del estudio:

• Evaluar el preprocesamiento adaptativo frente a los métodos estándar para la clasificación de CXR.
• Evaluar el impacto de la estandarización de histogramas y el recorte de ROI en el rendimiento del modelo.
• Evaluar la eficiencia computacional y la significancia estadística de la canalización adaptativa.

Principales métodos:

• Benchmarking controlado de escalado min-max, normalización Z-score y una canalización adaptativa (recorte de ROI + estandarización de histogramas).
• Evaluación en cuatro conjuntos de datos públicos de CXR y tres arquitecturas de redes neuronales convolucionales.
• Análisis estadístico utilizando pruebas de Friedman-Nemenyi y Wilcoxon signed-rank.

Principales resultados:

• La canalización adaptativa generalmente mejoró la precisión y la puntuación F1, especialmente en conjuntos de datos con contraste estable.
• La estandarización de histogramas fue el principal impulsor de la mejora del rendimiento, y el recorte de ROI proporcionó beneficios complementarios.
• Se observó una sobrecarga computacional mínima (+6,3% de tiempo de entrenamiento; 5,2 ms/batch).

Conclusiones:

• La normalización adaptativa, en particular la estandarización de histogramas, es una opción de preprocesamiento práctica para la clasificación de CXR.
• La canalización propuesta mejora la robustez entre conjuntos de datos y la confiabilidad en el análisis de CXR impulsado por IA.
• El método ofrece ganancias de rendimiento estadísticamente significativas con un costo computacional insignificante.