Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Apprentissage inversé : effacement faiblement supervisé pour segmenter les nodules en échographie mammaire
Created by
Haebom
Auteur
Yuhao Huang, Ao Chang, Haoran Dou, Xing Tao, Xinrui Zhou, Yan Cao, Ruobing Huang, Alejandro F Frangi, Lingyun Bao, Xin Yang, Dong Ni
Contour
Cet article présente « Flip Learning », un nouveau cadre d'apprentissage légèrement supervisé (WSS) pour la segmentation des nodules en échographie mammaire (BUS) et abdominale (ABUS). Pour remédier aux cartes d'activation imprécises et aux algorithmes de génération de pseudo-masques inefficaces des méthodes WSS existantes, nous proposons une méthode de segmentation multi-agents basée sur l'apprentissage par renforcement, utilisant uniquement des boîtes 2D/3D. Plusieurs agents inversent les étiquettes de classification en effaçant les cibles dans les boîtes et utilisent les régions effacées comme masques de segmentation prédits. Un apprentissage précis et efficace est obtenu grâce à une approche basée sur les superpixels/supervoxels, trois fonctions de récompense (récompense par le score de classification et deux récompenses par la distribution d'intensité) et une stratégie d'apprentissage curriculaire incrémental. Sur des ensembles de données BUS et ABUS à grande échelle, notre méthode proposée surpasse les méthodes WSS et les modèles de base existants, atteignant des performances comparables à celles des algorithmes d'apprentissage entièrement supervisé.
Takeaways, Limitations_
•
Takeaways:
◦
Présenter la possibilité d’améliorer la précision de la segmentation des nodules dans les images échographiques mammaires et de construire un système automatisé efficace.
◦
Présentation de la possibilité de construire un pipeline d'analyse d'images médicales efficace basé sur un apprentissage faiblement supervisé.
◦
Présentation et vérification des performances d'un nouveau framework WSS basé sur l'apprentissage par renforcement multi-agents.
◦
Des stratégies d'apprentissage efficaces sont présentées, notamment la représentation de l'environnement basée sur les superpixels/supervoxels, la conception de diverses fonctions de récompense et des stratégies d'apprentissage progressives du programme.
•
Limitations:
◦
Les performances de la méthode proposée reposent sur un ensemble de données à grande échelle que nous avons construit nous-mêmes, et une validation supplémentaire de ses performances de généralisation sur d'autres ensembles de données est nécessaire.
◦
Les comparaisons de performances avec l’apprentissage entièrement supervisé sont limitées à des ensembles de données spécifiques, et des études comparatives utilisant des ensembles de données plus diversifiés sont nécessaires.
◦
Une validation supplémentaire et une évaluation de l’utilité clinique sont nécessaires pour une application dans des contextes cliniques réels.
