Aprendizaje profundo en la clasificación de radiografías de obstrucción intestinal

Antecedentes: el etiquetado preciso del sitio de obstrucción en una radiografía de abdomen en posición vertical es una tarea desafiante. La falta de verdad sobre el terreno conduce a un rendimiento deficiente en los modelos de aprendizaje supervisado. Para abordar este problema, se propone el aprendizaje autosupervisado (SSL) para clasificar las radiografías normales, de obstrucción del intestino delgado (SBO) y de obstrucción del intestino grueso (LBO) utilizando algunas muestras confirmadas.

Métodos: Se clasificaron unas pocas radiografías confirmadas y una gran cantidad de radiografías sin etiquetar según la verdad del terreno. El modelo SSL se entrenó primero en las radiografías sin etiquetar y luego se ajustó en las radiografías confirmadas. Se utilizaron ResNet50 y VGG16 para los codificadores base integrados, cuyos pesos y parámetros se ajustaron durante el proceso de entrenamiento. Además, se probó en un conjunto de datos independiente, en comparación con modelos de aprendizaje supervisado e intérpretes humanos. Finalmente, se utilizaron t-SNE y Grad-CAM para visualizar la interpretación del modelo.