AI pokušava da uči iz MR snimaka mozga i kada nema mnogo ručno označenih podataka
Novi rad kombinuje opšte i domenski specifične pretext zadatke kako bi iz neoznačenih MR snimaka naučio reprezentacije koje se kasnije koriste za više različitih medicinskih segmentacionih zadataka.
Manje oslanjanja na ručne anotacije
Autori polaze od problema da deep-learning modeli za medicinske snimke snažno zavise od označenih podataka, dok su velike anotirane baze za specifične bolesti i populacije često ograničene.
Self-supervised learning koriste kao način da se iz velikih neoznačenih medicinskih skupova nauče prenosive osobine pre nego što model dobije mali broj ručnih labela.
Tri downstream zadatka
Predloženi multitask pretraining zajednički optimizuje opšti i domen-specifični cilj kako bi naučio komplementarne neuroimaging reprezentacije.
Modeli su evaluirani na segmentaciji lezija multiple skleroze, lezija ishemijskog moždanog udara i kortikalnih struktura mozga.
Zašto je važno
Velike ručno označene medicinske baze često nedostaju za pojedine bolesti i populacije, pa modeli teško dobijaju dovoljno kvalitetnih primera za učenje.
Ovaj pristup pokušava da iskoristi neoznačene MR snimke pre fine-tuninga, a zatim je testiran na segmentaciji multiple skleroze, moždanog udara i moždanih struktura.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.
Komentari
Komentari se objavljuju nakon moderacije.
Još nema objavljenih komentara.