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

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.