Aprendizaje Profundo Eficiente con Autoencoders Enmascarados Basados en Currículo para Clasificación de OCT Retiniana

Área de la Ciencia:

• Análisis de Imagen Oftálmica
• Clasificación de Imágenes Médicas
• Aprendizaje Profundo en Oftalmología

Sus antecedentes:

• La tomografía de coherencia óptica (OCT) retiniana es crucial para el diagnóstico de enfermedades oculares.
• El desarrollo de clasificadores multiclase precisos para OCT se ve obstaculizado por la limitada cantidad de datos etiquetados y los altos costos computacionales del preentrenamiento autosupervisado.
• Los métodos existentes luchan con la eficiencia y el rendimiento en tareas complejas de clasificación de OCT.

Objetivo del estudio:

• Introducir un marco de autoaprendizaje supervisado basado en currículo (CurriMAE) para mejorar el aprendizaje de representaciones en la clasificación de OCT.
• Reducir la carga computacional asociada con el preentrenamiento autosupervisado para el análisis de OCT.
• Mejorar el rendimiento de los clasificadores multiclase para imágenes de OCT de retina.

Principales métodos:

• Se desarrollaron dos estrategias de conjunto, CurriMAE-Soup y CurriMAE-Greedy, utilizando preentrenamiento progresivo de autoencoder enmascarado (MAE).
• Se empleó una ejecución de preentrenamiento MAE guiada por currículo con proporciones de enmascaramiento progresivas, evitando entrenamientos repetidos.
• Se evaluaron los métodos en los conjuntos de datos Kermany y OCTDL, comparándolos con MAE estándar y líneas de base supervisadas (ResNet-34, ViT-S).

Principales resultados:

• Ambos métodos CurriMAE superaron significativamente a los métodos MAE estándar y a las líneas de base supervisadas en el conjunto de datos OCTDL (siete clases de retina).
• CurriMAE-Greedy logró el mayor rendimiento: 0.995 AUC y 93.32% de precisión.
• CurriMAE-Soup ofreció una precisión competitiva con una complejidad de inferencia sustancialmente menor y un almacenamiento de modelos reducido.

Conclusiones:

• El marco de conjunto de autoaprendizaje supervisado propuesto basado en currículo (CurriMAE) es una solución eficaz y eficiente en cuanto a recursos para la clasificación multiclase de OCT retiniana.
• Los métodos CurriMAE demuestran un alto rendimiento con costos computacionales reducidos a través de enmascaramiento progresivo y fusión de modelos.
• Este marco muestra un potencial significativo para aplicaciones de imagenología oftalmológica en el mundo real con recursos computacionales y de datos limitados.