Repozytorium publikacji - Politechnika Gdańska

W dziedzinie badań klinicznych i opieki zdrowotnej tradycyjne podejście w uczeniu głębokim polegające na wykorzystaniu dużych zbiorów danych jest trudne w realizacji. Przyczyną takiego stanu rzeczy są koszty znakowania obrazów medycznych, zwłaszcza w przypadku segmentacji obrazów medycznych. Jest to żmudna operacja, która zazwyczaj wymaga intensywnego znakowania pikseli wykonanego przez ekspertów – lekarzy. W tym rozdziale zaprezentowano podejście bazujące na wykorzystaniu metod uczenia maszynowego w semantycznej segmentacji obrazów medycznych. Celem badań była taka realizacja segmentacji, aby zminimalizować konieczną liczbę pełnych adnotacji na wybranym zbiorze danych. W tym celu zaproponowano użycie sieci nnU-Net. Skupiono się na zbadaniu, czy uczenie modelu z wykorzystaniem ograniczonej liczby adnotacji jest możliwe.

Autorzy

• Tomasz Gruzdzis link otwiera się w nowej karcie ,
• Krzysztof Wicki link otwiera się w nowej karcie ,
• Patrycja Gładkowska link otwiera się w nowej karcie ,
• dr inż. Tomasz Boiński link otwiera się w nowej karcie