Investigación Científica Aplicada
Detección y Clasificación de Linfocitos y Macrófagos en Tejido de Chagas utilizando ResNet-18 y Vision Transformer
La cuantificación celular precisa es vital para modelar la respuesta inmune ante la enfermedad de Chagas. Este estudio busca la clasificación histopatológica de macrófagos y linfocitos contrastando arquitecturas profundas y técnicas de aumento de datos. Se comparan transformaciones geométricas clásicas contra una red generativa DCGAN la cual logró una fidelidad sintética con correlación de Pearson de r = 0.9910. Las pruebas iniciales con una ResNet-18 y aumento geométrico evidenciaron las limitaciones del desbalance natural resultando en un AUC de 0.9008 y una sensibilidad de apenas 62.5% para la clase minoritaria. Para resolver esto se implementó un modelo Vision Transformer (ViT-B-16) entrenado con las imágenes balanceadas por la DCGAN. Esta sinergia entre el mecanismo de autoatención global y la estabilización generativa superó las limitaciones convolucionales alcanzando un AUC de 0.9449 sobre el tejido murino, consolidando una herramienta computacional robusta.
Descripcion completa
La cuantificación celular precisa es vital para modelar la respuesta inmune ante la enfermedad de Chagas. Este estudio busca la clasificación histopatológica de macrófagos y linfocitos contrastando arquitecturas profundas y técnicas de aumento de datos. Se comparan transformaciones geométricas clásicas contra una red generativa DCGAN la cual logró una fidelidad sintética con correlación de Pearson de r = 0.9910. Las pruebas iniciales con una ResNet-18 y aumento geométrico evidenciaron las limitaciones del desbalance natural resultando en un AUC de 0.9008 y una sensibilidad de apenas 62.5% para la clase minoritaria. Para resolver esto se implementó un modelo Vision Transformer (ViT-B-16) entrenado con las imágenes balanceadas por la DCGAN. Esta sinergia entre el mecanismo de autoatención global y la estabilización generativa superó las limitaciones convolucionales alcanzando un AUC de 0.9449 sobre el tejido murino, consolidando una herramienta computacional robusta.
Relacionados
Proyectos que podrian interesarte
Sistema de Detección y Clasificación de Tumores con Redes Neuronales basado en Imágenes de Gammagrama óseo
Comparación y Clasificación Automática de Lesiones Dermatoscopicas mediante ResNet50 y EfficientNetB3 con Transfer Learning: Implementación sobre el Dataset HAM10000
Desarrollo de Software para la Detección Automatizada y Cuantificación Vectorial del Valgo Dinámico de Rodilla
Síntesis y caracterización de nanopartículas de plata incorporadas en hidrogeles de almidón de makal para aplicaciones en curación de heridas.
