Diagnóstico Automatizado Basado en Aprendizaje Profundo para Enfermedad Arterial Coronaria Usando Imágenes SPECT-MPI

(1) Antecedentes: La tomografía computarizada por emisión de fotón único (SPECT) de la perfusión miocárdica (MPI) es una metodología de estimación establecida desde hace mucho tiempo para el diagnóstico médico utilizando la clasificación de imágenes que ilustra condiciones en la enfermedad arterial coronaria. Para estos procedimientos, las redes neuronales convolucionales han demostrado ser muy beneficiosas para lograr una precisión casi óptima en la clasificación automática de imágenes SPECT. (2) Métodos: Esta investigación aborda la clasificación de imágenes del observador ideal basado en aprendizaje supervisado utilizando un modelo RGB-CNN en imágenes del corazón para diagnosticar EAC. Para fines de comparación, empleamos redes pre-entrenadas VGG-16 y DenseNet-121 que están inmersas en un conjunto de datos de imágenes que representan los estados del corazón en modo de estrés y reposo adquiridos por SPECT. En la evaluación experimental del método, exploramos un amplio repertorio de configuraciones de redes de aprendizaje profundo junto con diversas métricas de evaluación y explotación robustas. Además, para superar las restricciones de cardinalidad del conjunto de datos de imágenes, aprovechamos la técnica de aumento de datos, expandiendo el conjunto a un número adecuado. Se realizó una evaluación adicional del modelo a través de validación cruzada de 10 pliegues para garantizar la fiabilidad de nuestro modelo. (3) Resultados: El modelo RGB-CNN propuesto logró una precisión del 91.86%, mientras que VGG-16 y DenseNet-121 alcanzaron el 88.54% y el 86.11%, respectivamente. (4) Conclusiones: Los experimentos mencionados anteriormente verifican que los nuevos modelos de aprendizaje profundo pueden ser de gran ayuda en medicina nuclear y en la toma de decisiones clínicas.