Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Aprendizaje invertido: Borrado débilmente supervisado para segmentar nódulos en la ecografía mamaria
Created by
Haebom
Autor
Yuhao Huang, Ao Chang, Haoran Dou, Xing Tao, Xinrui Zhou, Yan Cao, Ruobing Huang, Alejandro F Frangi, Lingyun Bao, Xin Yang, Dong Ni
Describir
Este artículo presenta "Flip Learning", un novedoso marco de aprendizaje ligeramente supervisado (WSS) para la segmentación de nódulos en ecografía mamaria (BUS) y ecografía abdominal (ABUS). Para abordar la inexactitud de los mapas de activación y la ineficiencia de los algoritmos de generación de pseudomáscaras de los métodos WSS existentes, proponemos un método de segmentación basado en aprendizaje por refuerzo multiagente que utiliza únicamente cajas 2D/3D. Múltiples agentes invierten las etiquetas de clasificación borrando los objetivos dentro de las cajas y utilizan las regiones borradas como máscaras de segmentación predichas. Se logra un aprendizaje preciso y eficiente mediante un enfoque basado en superpíxeles/supervóxeles, tres funciones de recompensa (recompensa por puntuación de clasificación y dos recompensas por distribución de intensidad) y una estrategia de aprendizaje curricular incremental. En conjuntos de datos BUS y ABUS a gran escala, nuestro método propuesto supera a los métodos WSS y modelos de referencia existentes, logrando un rendimiento comparable al de los algoritmos de aprendizaje totalmente supervisado.
Takeaways, Limitations
•
Takeaways:
◦
Presentar la posibilidad de mejorar la precisión de la segmentación de nódulos en imágenes de ecografía mamaria y construir un sistema automatizado eficiente.
◦
Presentando la posibilidad de construir un flujo de trabajo eficiente de análisis de imágenes médicas basado en un aprendizaje débilmente supervisado.
◦
Presentación y verificación del rendimiento de un nuevo marco WSS basado en aprendizaje de refuerzo de múltiples agentes.
◦
Se presentan estrategias de aprendizaje efectivas, incluida la representación del entorno basada en superpíxeles/supervóxeles, el diseño de diversas funciones de recompensa y estrategias de aprendizaje curricular incremental.
•
Limitations:
◦
El rendimiento del método propuesto se basa en un conjunto de datos a gran escala que construimos nosotros mismos, y se necesita una mayor validación de su rendimiento de generalización en otros conjuntos de datos.
◦
Las comparaciones de desempeño con aprendizaje totalmente supervisado están limitadas a conjuntos de datos específicos, y se necesitan estudios comparativos que utilicen conjuntos de datos más diversos.
◦
Se necesita una validación adicional y una evaluación de la utilidad clínica para su aplicación en entornos clínicos reales.
