|КОМПЬЮТЕРНОЕ ЗРЕНИЕ| Си-Эн-Эн | СЕГМЕНТАЦИЯ|
UniverSeg: универсальные ножницы для сегментации медицинских изображений
Медицинская сегментация сложна и дорога. Возможна ли модель, чтобы разрезать их всех?
Сегментация медицинских изображений является центральной проблемой медицинского анализа. это дорого, нужно много данных и зависит от задачи. Что, если бы у нас была модель, которую можно было бы применить к любой задаче сегментации?
Сегментация медицинских изображений: зачем она нужна и почему это сложно?
В общем, сегментация изображений — центральная задача компьютерного зрения. Особенно в медицине это первый шаг к целому ряду анализов. В медицине многие инструменты создают изображения с разными характеристиками (разные инструменты, нормализация между разными больницами, разные домены, разные метки).
Учитывая ее важность, сегментации медицинских изображений было посвящено очень много исследований. Для анализа изображений использовались различные методы. В последние годы было показано, что модели глубокого обучения являются наиболее эффективными, особенно одна архитектура, которая остается стандартной: U-net.
Хотя U-net широко используется, остается ряд проблем. Основной из них – сдвиг предметной области или тот факт, что модель работает плохо, когда ей представлены данные, находящиеся вне распределения. Это проблема для медицины, поскольку перед исследователями часто ставятся новые задачи сегментации (меняются цели исследования, собираются новые наборы данных и т. д.).
В этих случаях приходится либо обучать модель с нуля, либо использовать тонкую настройку. Это дорогостоящий процесс, требующий как медицинских знаний, так и знаний в области машинного обучения.Однако эти специалисты не всегда…
