ÚNETE
CONTACTO
  • ACTIVIDADES SANITARIAS Y DE SERVICIOS SOCIALES

DEUSTO SEIDOR SA

HORUS: Nuevas técnicas avanzadas de procesado de la imagen de tomografía por coherencia óptica de retina para el aprendizaje automático

seidor
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.
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
Para la estandarización de dominios, al disponer de imágenes de 3 marcas distintas, se generó un modelo para convertir las imágenes de una marca a otra, es decir, un total de 6 modelos. Estos modelos se crearon aplicando una CycleGAN que permite convertir el estilo de una imagen en el estilo de otra utilizando un dataset no pareado.  Para el caso de la reducción de ruido Speckle, se realizaron dos aproximaciones, por un lado, una CycleGAN, y por otro un Pix2Pix, gracias a un set de imágenes pareadas.
On Premise
Machine Learning & Deep Learning; Computer Vision; IA Generativa
Datasets privados y anonimizados proporcionados por BioAraba de imágenes OCT
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.
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.
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

Hazitek

  • Colaboraciones

Instituto de Investigación Sanitaria BioAraba

es
10/09/2026
ACTIVIDADES SANITARIAS Y DE SERVICIOS SOCIALES, Calidad, Computer Vision, IA Generativa, Machine Learning & Deep Learning, Vizcaya
Scroll al inicio