Un marco de aprendizaje profundo en dos etapas para la detección de enfermedades renales utilizando imágenes libres...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• Inteligencia Artificial en el cuidado de la salud.
• Nefrología Nefrología.

Sus antecedentes:

• Las enfermedades renales representan un creciente desafío para la salud pública con una incidencia cada vez mayor.
• El diagnóstico preciso y temprano de las patologías renales es crucial para el manejo eficaz de los pacientes.
• Los métodos de diagnóstico existentes pueden enfrentar limitaciones en la calidad de la imagen y la precisión de la clasificación.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de diagnóstico en dos etapas para mejorar la detección de enfermedades renales.
• Para mejorar la calidad visual de las imágenes renales utilizando una técnica avanzada de mejora.
• Para lograr una alta precisión en la clasificación de diversas patologías renales.

Principales métodos:

• Implementación de una técnica Modified Specular-Free (MSF) para la mejora adaptativa de la imagen renal.
• Clasificación de imágenes mejoradas utilizando la arquitectura de aprendizaje profundo EfficientNet-B2.
• Análisis comparativo con modelos previamente entrenados (variantes de VGG16, ResNet50, DenseNet y EfficientNet).

Principales resultados:

• El modelo propuesto logró una precisión de diagnóstico del 98,27%.
• El modelo demostró un rendimiento superior en comparación con todos los modelos de referencia pre-entrenados.
• Se logró una diferenciación efectiva entre las condiciones renales normales y las patologías como tumores, piedras y quistes.

Conclusiones:

• La técnica integrada MSF y el modelo EfficientNet-B2 ofrecen un enfoque poderoso para el diagnóstico preciso de la enfermedad renal.
• Esta investigación pone de relieve el potencial de la mejora avanzada de la imagen junto con el aprendizaje profundo para imágenes médicas.
• El modelo desarrollado presenta una solución escalable para mejorar la precisión del diagnóstico en escenarios complejos de imágenes médicas.