Clasificación de cálculos renales basada en ultrasonido utilizando la Red Armónica Adelante del Mapa de...

Área de la Ciencia:

• Urología; Imagenología Médica; Inteligencia Artificial

Sus antecedentes:

• La enfermedad de cálculos renales es una afección urológica común con potencial de complicaciones graves.; El diagnóstico tradicional por ultrasonido de cálculos renales se basa en la interpretación manual, que presenta limitaciones en precisión y eficiencia.; Se necesitan herramientas de diagnóstico automatizadas para superar la interpretación subjetiva y mejorar la detección oportuna.

Objetivo del estudio:

• Desarrollar y evaluar un novedoso modelo de aprendizaje profundo para la clasificación automatizada de cálculos renales utilizando imágenes de ultrasonido.; Mejorar la precisión y la eficiencia diagnóstica en comparación con los métodos tradicionales.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo, la Red Armónica Adelante del Mapa de Autoorganización de Kronecker (KSOMFHNet).; El preprocesamiento de imágenes implicó el filtrado bilateral doble para la eliminación de ruido.; La segmentación de los riñones se realizó utilizando la Red Residual Profunda Recursiva (DRRN).; La extracción de características combinó descriptores BRIEF, de forma y GLCM.; La clasificación utilizó una arquitectura híbrida DKN y SOMNet.

Principales resultados:

• KSOMFHNet logró métricas de alto rendimiento en los datos de entrenamiento.; Precisión: 91,984%; Tasa de Verdaderos Positivos (TPR): 90,543%; Tasa de Verdaderos Negativos (TNR): 92,248%; Precisión: 90,179%; Puntuación F1: 90,360%

Conclusiones:

• El KSOMFHNet propuesto demuestra un potencial significativo para la clasificación precisa y eficiente de cálculos renales.; El enfoque automatizado de aprendizaje profundo ofrece una alternativa prometedora a la interpretación manual en entornos clínicos.; Se recomienda una validación adicional para su implementación clínica generalizada.