Actividades sanitarias y de servicios sociales
HORUS: Nuevas técnicas avanzadas de procesado de la imagen de tomografía por coherencia óptica de retina para el aprendizaje automático
Actividades sanitarias y de servicios sociales
HORUS: Nuevas técnicas avanzadas de procesado de la imagen de tomografía por coherencia óptica de retina para el aprendizaje automático
Business Case
Siendo las patologías oftalmológicas un problema de salud mundial, la creación de modelos de Inteligencia Artificial (IA) puede suponer un enorme avance en dicho campo. El proyecto HORUS se centra en la estandarización de dominios de imágenes OCT de diferentes orígenes mediante modelos generativos de IA. Esto es una labor importante, ya que estandarizar los dominios puede ayudar a crear futuros modelos más robustos y precisos. Además, se trabaja en la eliminación de ruido de las imágenes OCT para obtener una imagen más limpia con la que trabajar.
Objetivos
Desarrollar modelos de IA que permitan:
– Estandarizar las imágenes OCT de modo que todas tengan un dominio similar
– Reducir el ruido de las imágenes OCT
– Desarrollo de una interfaz que integre los distintos módulos y modelos
Use case
Casos de Uso
Infraestructura
On Premise;;
Tecnologías utilizadas
Tecnologías utilizadas
Datos utilizados
Datasets privados y anonimizados proporcionados por BioAraba de imágenes OCT.
imagen
imagen
Recursos utilizados
Por parte de BioAraba se ha contado con la aportación de imágenes de retina OCT, imágenes que se han complementado con otros repositorios Open Source. Además, han trabajado en validación de las imágenes resultantes. Por parte de Deusto SEIDOR, se ha contado con los servicios de un desarrollador, un analista de datos y un científico de datos, bajo la dirección de un Jefe de proyecto. Todos los experimentos se han desarrollado en el CPD de SEIDOR con datos anonimizados.
Dificultades y aprendizaje
Se valorará el poder contar con una dataset más amplio (Open Data) que nos permita hacer entrenamientos con más datos y por tanto obtener previsiblemente mejores resultados, aplicar técnicas de data augmentation con el objetivo de aumentar el set de entrenamiento en fase de pre-procesado de datos y aplicar técnicas de contrast enhancement.
KPIs (impacto en el negocio y métricas del modelo)
Se han definido varias métricas que permitan validar los resultados generados como son: Mean Squared Error (MSE); Peak Signal-to-Noise Ratio (PSNR); Multi-scale Structural Similarity Index (MS-SSIM); Universal Quality Image Index (UQI); Erreur Relative Globale Adimensionnelle de Synthèse (ERGAS); Spatial Correlation Coefficient (SCC); Relative Average Spectral Error (RASE); Spectral Angle Mapper (SAM); Visual Information Fidelity (VIF).
Financiación
Financiación
Colaboradores
Instituto de Investigación Sanitaria BioAraba
multimedia
