Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Autocodificador enmascarado de progresión de parches con red CNN de fusión para clasificar la evolución entre dos pares de cortes OCT 2D
Created by
Haebom
Autor
Philippe Zhang, Weili Jiang, Yihao Li, Jing Zhang, Sarah Matta, Yubo Tan, Hui Lin, Haoshen Wang, Jiangtian Pan, Hui Xu, Laurent Borderie, Alexandre Le Guilcher, B eatrice Cochener, Chubin Ou, Gwenol e Quellec, Mathieu Lamard
Describir
Este artículo informa los resultados de nuestra participación en el MARIO Challenge, una competencia de análisis de imágenes médicas para monitorear la progresión de la degeneración macular relacionada con la edad (DMRE). Específicamente, nos enfocamos en rastrear la progresión de la neovascularización en exploraciones OCT de pacientes con DMRE húmeda para desarrollar planes de tratamiento personalizados. En la Tarea 1, aplicamos una red CNN de fusión utilizando un conjunto de modelos para clasificar la progresión entre dos pares de cortes 2D en exploraciones OCT secuenciales. En la Tarea 2, propusimos un Autoencoder Enmascarado de Progresión de Parche para generar una OCT para el siguiente examen y clasificar la progresión entre la OCT generada utilizando la solución de la Tarea 1 y la OCT actual para predecir la progresión durante los próximos tres meses con base en los datos del examen actual. Si bien quedamos entre los 10 mejores en ambas tareas, no fuimos elegibles para los premios porque algunos de los miembros de nuestro equipo estaban afiliados a los organizadores del desafío.
Takeaways, Limitations
•
Takeaways:
◦
Demostración de la eficacia de un modelo para predecir la progresión de la DMAE utilizando técnicas de fusión de CNN y conjuntos de modelos.
◦
Un modelo de predicción de progresión futura presentado utilizando el autocodificador enmascarado de progresión de parches.
◦
Verificar la competitividad del modelo propuesto obteniendo las máximas puntuaciones en el Desafío MARIO.
•
Limitations:
◦
Descalificación de algunos miembros del equipo para recibir premios debido a su afiliación con el organizador.
◦
Se necesitan más investigaciones para evaluar el rendimiento de generalización y la utilidad clínica del modelo propuesto.
◦
Falta de estructura detallada del modelo y de información de hiperparámetros.
