Современная сегментация медицинских изображений, AutoML и не только скачать в хорошем качестве

Современная сегментация медицинских изображений, AutoML и не только

В настоящее время, благодаря технологическому прогрессу в разработке алгоритмов (таких как глубокое обучение) и аппаратных платформ (таких как графические процессоры), анализ медицинских изображений стал важнейшим этапом в понимании заболеваний, клинической диагностике и планировании лечения. Среди различных задач сегментация изображений стала одной из важнейших. В последнее время глубокие сверточные нейронные сети широко применяются для сегментации медицинских изображений, обеспечивая высочайшую производительность. В то же время, автоматизированное машинное обучение (AutoML) также изучается в глубоких нейронных сетях с целью дальнейшего повышения эффективности и результативности моделей. Однако существующие алгоритмы AutoML имеют узкую направленность и фокусируются на отдельных компонентах решений для глубокого обучения (например, на нейронной архитектуре, гиперпараметрах), что может приводить к неоптимальным результатам. В этом докладе Дун Ян, специалист по прикладным исследованиям NVIDIA, рассматривает системный подход и представляет новый метод, который автоматически учитывает и оценивает большинство, если не все, компонентов решения на основе глубокой нейронной сети для сегментации 3D-медицинских изображений. Предлагаемый метод позволяет прогнозировать взаимосвязь между различными конфигурациями обучения и нейронными сетями, что может быть использовано для сравнения решений. Он представляет новое пространство поиска для нейронных архитектур и алгоритм AutoML на основе предиктора, позволяющий работать в таком большом пространстве поиска. Эксперименты показывают, что предлагаемый метод может достигать высочайшей производительности на больших наборах данных сегментации поражений по сравнению с другими существующими методами, описанными в литературе. Кроме того, было показано, что предлагаемый метод эффективно переносится на различные наборы данных. В докладе также обсуждаются другие темы сегментации медицинских изображений, такие как сети на основе трансформаторов, сегментация в федеративном обучении, сегментация в полуконтролируемом обучении, априорные данные формы в сегментации и т. д. Узнайте больше о NVIDIA Clara Imaging: https://nvda.ws/3uGM9D5 #здравоохранение, #automl, #medicalimaging