SCALP - Aprendizaje Contrastivo Supervisado para la Clasificación y Localización de Enfermedades Cardiopulmonares en Radiografías de Tórax utilizando Metadatos del Paciente

El diagnóstico asistido por computadora juega un papel destacado en la clasificación y localización más accesibles y precisas de enfermedades cardiopulmonares en radiografía de tórax. Millones de personas se ven afectadas y mueren debido a estas enfermedades sin un diagnóstico preciso y oportuno. El aprendizaje contrastivo recientemente propuesto se basa en gran medida en la ampliación de datos, especialmente en la ampliación de datos positivos. Sin embargo, generar aumentaciones de datos clínicamente precisas para imágenes médicas es extremadamente difícil porque los métodos comunes de aumento de datos en visión por computadora, como las operaciones de enfoque, desenfoque y recorte, pueden alterar gravemente los contextos clínicos de las imágenes médicas. En este artículo, proponemos un nuevo y sencillo método de aumento de datos basado en metadatos del paciente y conocimientos supervisados para crear aumentaciones positivas y negativas clínicamente precisas para radiografías de tórax. Introducimos un marco de trabajo de extremo a extremo, SCALP, que extiende el enfoque contrastivo auto-supervisado a un entorno supervisado. Específicamente, SCALP agrupa radiografías de tórax del mismo paciente (claves positivas) y separa radiografías de tórax de diferentes pacientes (claves negativas). Además, utiliza ResNet-50 junto con el mecanismo de atención de trípletes para identificar enfermedades cardiopulmonares y Grad-CAM++ para resaltar las regiones anormales. Nuestros extensos experimentos demuestran que SCALP supera las líneas base existentes con márgenes significativos tanto en tareas de clasificación como de localización. Específicamente, los AUC promedio de clasificación mejoran del 82.8% (SOTA usando DenseNet-121) al 83.9% (SCALP usando ResNet-50), mientras que los resultados de localización mejoran en promedio un 3.7% sobre diferentes umbrales de IoU.