RT-GAN: GAN Temporal Recurrente para Añadir Consistencia Temporal Ligera a Enfoques de Traducción de Dominio Basados en Fotogramas | JoVE Visualize

Área de la Ciencia:

Imagenología Médica
Inteligencia Artificial
Visión por Computadora

Sus antecedentes:

Los vídeos de colonoscopia rara vez se guardan debido a los grandes tamaños de archivo, lo que limita el entrenamiento de modelos de IA.
Los modelos de IA actuales para colonoscopia se entrenan a menudo en fotogramas individuales, careciendo de consistencia temporal.
El entrenamiento de modelos de IA temporalmente consistentes requiere importantes recursos computacionales y de memoria.

Objetivo del estudio:

Presentar una solución ligera, Recurrent Temporal GAN (RT-GAN), para incorporar la consistencia temporal en los modelos de IA de colonoscopia.
Reducir los requisitos computacionales y de memoria para entrenar modelos de aprendizaje profundo temporalmente consistentes.
Demostrar la eficacia de RT-GAN en tareas clave de colonoscopia y publicar un nuevo conjunto de datos temporal.

Principales métodos:

Se desarrolló RT-GAN, una Red Generativa Antagónica Temporal Recurrente con un parámetro temporal ajustable.
Se aplicó RT-GAN a enfoques de IA basados en fotogramas individuales para mejorar la consistencia temporal.
Se evaluó RT-GAN en la segmentación de pliegues haustrales y la generación de vídeos de colonoscopia realistas.

Principales resultados:

RT-GAN reduce los requisitos de entrenamiento en un factor de 5 en comparación con los métodos tradicionales.
Demostró eficacia en la segmentación de pliegues haustrales, crucial para identificar superficies pasadas por alto.
Generó con éxito vídeos realistas del simulador de colonoscopia, ayudando en la formación y el desarrollo.

Conclusiones:

RT-GAN ofrece un método eficiente para lograr la consistencia temporal en la IA de colonoscopia, reduciendo significativamente los costes de entrenamiento.
El conjunto de datos temporal desarrollado y RT-GAN proporcionan recursos valiosos para avanzar en la IA en la colonoscopia.
Este enfoque facilita el desarrollo de herramientas de IA más robustas y fiables para el análisis de la colonoscopia.