Resumen

El diagnóstico automático de diversas enfermedades de la retina a partir de imágenes del fondo del ojo es importante para apoyar la toma de decisiones clínicas. Las redes neuronales convolucionales (CNN) han logrado resultados notables en este tipo de tareas. Sin embargo, su alta capacidad de expresión puede llevar a un sobreajuste. Por lo tanto, se han propuesto técnicas de aumento de datos (DA) para evitar el sobreajuste a la vez que se enriquecen los conjuntos de datos. Las recientes arquitecturas de CNN con más parámetros hacen que las técnicas tradicionales de DA resulten insuficientes. En este estudio, propusimos una nueva estrategia DA basada en la fusión multimodal (DAMF) que podría integrar el método DA estándar, el método de alteración de datos, el método de mezcla de datos y el método de autoajuste para mejorar los datos de imagen en el conjunto de datos de entrenamiento para crear nuevas imágenes de entrenamiento. Además, fusionamos los resultados del clasificador votando sobre la base de DAMF, lo que mejoró aún más la capacidad de generalización del modelo. Los resultados experimentales mostraron que el modo DA óptimo podía ajustarse al conjunto de datos de imágenes mediante nuestra estrategia DA. Evaluamos DAMF en el conjunto de datos iChallenge-PM. Por último, comparamos los resultados del entrenamiento entre 12 conjuntos de datos procesados con DAMF y el conjunto de datos de entrenamiento original. En comparación con el conjunto de datos original, el DAMF óptimo logró un aumento de la precisión del 2,85% en iChallenge-PM.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:DAMF, redes neuronales convolucionales, arquitecturas CNN recientes, método de mezcla de datos, alta capacidad de expresión, nueva estrategia DA, nuevas imágenes de entrenamiento, modo DA óptimo, conjunto de datos de entrenamiento original, método DA estándar.
• Keywords:DAMF, Convolutional neural networks, Recent CNN architectures, data mixing method, high expression ability, new DA strategy, new training images, optimal DA mode, original training dataset, standard DA method