Detección de neumonía a partir de imágenes de rayos X de tórax mejoradas basada en el modelo Double SGAN

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• Los modelos de aprendizaje profundo para la detección de neumonía luchan con conjuntos de datos desequilibrados, lo que afecta la precisión.
• La clasificación precisa de la neumonía a partir de radiografías de tórax es fundamental para un diagnóstico y tratamiento oportunos.

Objetivo del estudio:

• Desarrollar un sistema robusto de aprendizaje profundo para la detección de neumonía utilizando imágenes de radiografías de tórax.
• Abordar los problemas de desequilibrio de clases y mejorar la capacidad de generalización de los modelos de clasificación de neumonía.

Principales métodos:

• Se propuso un novedoso modelo Double SGAN que incorpora normalización espectral, mecanismos de autoatención y pérdida de bisagra para un entrenamiento estable y extracción de características.
• Se desarrolló un modelo de clasificación ResNet18-SA integrando un mecanismo de atención espacial en la arquitectura ResNet18.
• Se utilizó el conjunto de datos pneumonia MNIST, que incluye imágenes pulmonares pediátricas, para entrenamiento y evaluación.

Principales resultados:

• El modelo ResNet18-SA demostró un rendimiento superior en comparación con los modelos tradicionales.
• Se logró una alta precisión (95,83%), precisión (95,87%), exhaustividad (95,21%) y puntuación F1 (95,52%) en la clasificación de neumonía.

Conclusiones:

• El sistema de aprendizaje profundo propuesto detecta eficazmente la neumonía a partir de radiografías de tórax, incluso con conjuntos de datos desequilibrados.
• Los modelos Double SGAN y ResNet18-SA ofrecen una precisión y solidez mejoradas para el análisis de imágenes médicas en el diagnóstico de neumonía.