Use of deep learning techniques for early detection of hip dysplasia in infants through pelvic radiographs

Abstract

La clasificación exacta y temprana de la Displasia del Desarrollo de la Cadera (DDC) en pacientes pediátricos es imperativa para un tratamiento eficaz, reduciendo así las complicaciones a largo plazo. Las metodologías convencionales de diagnóstico manual muestran limitaciones, principalmente por la variabilidad interobservador y la necesidad de pericia especializada, llevando a diagnósticos inconsistentes o retrasados. Este artículo aborda esta problemática mediante la implementación de técnicas avanzadas de aprendizaje profundo para analizar radiografías pélvicas de infantes de 3 a 6 meses, utilizando ResNet50 para superar los desafíos del desvanecimiento del gradiente y proporcionar evaluaciones precisas. Adicionalmente, enfrentamos las cuestiones de privacidad, escasez y desequilibrio de los datos médicos aplicando Redes Generativas Antagónicas (GANs) para generar datos sintéticos de alta calidad, enriqueciendo así nuestro conjunto de entrenamiento y fortaleciendo la robustez de nuestro modelo. La integración del sistema propuesto con ResNet50 y técnicas de GANs fue clave para alcanzar una precisión del 97.3% en la clasificación de radiografías pélvicas con presencia o ausencia de DDC.