Aprendizado profundo na classificação de radiografias de obstrução intestinal

Fundamento: A marcação precisa do local da obstrução na radiografia abdominal em posição vertical é uma tarefa desafiadora. A falta de informações verdadeiras leva a um baixo desempenho em modelos de aprendizagem supervisionada. Para resolver esse problema, propõe-se o aprendizado auto-supervisionado (SSL) para classificar radiografias normais de obstrução do intestino delgado (SBO) e obstrução do intestino grosso (LBO) usando algumas amostras confirmadas.

Métodos: Um pequeno número de radiografias confirmadas e um grande número de radiografias não rotuladas foram categorizadas com base na verdade. O modelo SSL foi primeiro treinado nas radiografias não marcadas e depois ajustado nas radiografias confirmadas. ResNet50 e VGG16 foram utilizados para os codificadores de base embarcados, cujos pesos e parâmetros foram ajustados durante o processo de treinamento. Além disso, foi testado num conjunto de dados independente, comparado com modelos de aprendizagem supervisionada e intérpretes humanos. Por fim, o t-SNE e o Grad-CAM foram utilizados para visualizar a interpretação do modelo.