Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Autoencodeur masqué de progression de patch avec réseau CNN Fusion pour la classification de l'évolution entre deux paires de tranches OCT 2D
Created by
Haebom
Auteur
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, Béatrice Cochener, Chubin Ou, Gwenol e Quellec, Mathieu Lamard
Contour
Cet article présente les résultats de notre participation au défi MARIO, un concours d'analyse d'images médicales pour le suivi de la progression de la dégénérescence maculaire liée à l'âge (DMLA). Plus précisément, nous nous sommes concentrés sur le suivi de la progression de la néovascularisation sur les scanners OCT de patients atteints de DMLA humide afin d'élaborer des plans de traitement personnalisés. Dans la tâche 1, nous avons appliqué un réseau CNN de fusion utilisant un ensemble de modèles pour classer la progression entre deux paires de coupes 2D dans des scanners OCT séquentiels. Dans la tâche 2, nous avons proposé un autoencodeur masqué de progression de patch pour générer un OCT pour l'examen suivant et classer la progression entre l'OCT généré à partir de la solution de la tâche 1 et l'OCT actuel afin de prédire la progression au cours des trois prochains mois sur la base des données d'examen actuelles. Bien que nous nous soyons classés parmi les 10 premiers dans les deux tâches, nous n'étions pas éligibles aux prix car certains membres de notre équipe étaient affiliés aux organisateurs du défi.
Takeaways, Limitations
•
Takeaways:
◦
Démonstration de l'efficacité d'un modèle de prédiction de la progression de la DMLA à l'aide de techniques de fusion CNN et d'ensemble de modèles.
◦
Un modèle de prédiction de progression future présenté à l'aide de Patch Progression Masked Autoencoder.
◦
Vérifiez la compétitivité du modèle proposé en obtenant les meilleurs scores au défi MARIO.
•
Limitations:
◦
Disqualification de certains membres de l’équipe de la réception de récompenses en raison de leur affiliation avec l’organisateur.
◦
Des recherches supplémentaires sont nécessaires pour évaluer les performances de généralisation et l’utilité clinique du modèle proposé.
◦
Manque de structure détaillée du modèle et d'informations sur les hyperparamètres.
