Regisztráció és bejelentkezés

Szív MR-felvétel szegmentáció önfelügyelt tanulás alapon

Az emberi szív testünk legfontosabb szerve, így sajnos a legkisebb hiba/gond is halálos következményekkel járhat. Szív MRI felvételek nagyon hasznosnak bizonyultak a rendellenességek monitorozásában és diagnosztizálásában. Az elmúlt években több gépi látás algoritmust is javasoltak a radiológusok munkájának támogatására. A leggyakoribb kihívás ezeknél a feladatoknál az elérhető adatok alacsony száma, ugyanis egy MRI felvételt csakis egy tapasztalt szakértő tud megfelelően címkézni. Erre a transzfer tanulás az egyik legjobban kivitelezhető megoldás a transzfer tanulás, ami jelentős mértékben támaszkodik a két adathalmaz hasonlóságára. Azonban, az elérhető nagyméretű adathalmazok általában nem tartalmaznak az orvosi képdiagnosztikához releváns képeket.Továbbá, az egészségügyben komoly követelmény a modellek interpretibilitása/megmagyarázhatósága, ami nem a neurális halók erőssége, ez vezetett az eXplainable AI (XAI) kutatási téma megszületéséhez.

A munkám során olyan technikákat és módszereket kerestem amikkel az ImageNet élőtanításnál jobb eredmények elérhetők. Ehhez két state-of-the-art önfelügyelt tanuló algoritmust választottam, amik eredményeit összehasonlítom az ImageNet súly inicializációval, a szív MRI szegmentálás cél taszkon. Betanítottam és összehasonlítottam ezeket a modelleket több adathalmazon is, utána pedig elemeztem a modellek predikcióinak magyarázatait egy legújabb XAI technikával, hogy pontosabban megállapíthassam a orvosi képdiagnosztikában való használhatóságukat. Utóbbi folyamat során nem csak a modellek legjobb predikcióit figyeltem meg, hanem a rosszabbjaikat is.

Mindegyik tanítás ugyanazt az eredményt adta: az egyik önfelügyelt tanulási technika szignifikánsan túlteljesítette az ImageNet előtanítást mindegyik adathalmazon. Továbbá megfigyeltem, hogy minél több tanító adat áll rendelkezésre, annál jobban közelít a kettő teljesítménye.

E félév munkája megmutatta, hogy milyen nagy hatása is van az előtanításnak és, hogy a nem orvosi képfeldolgozás specifikus önfelügyelt tanulási technikák is milyen jól használhatóak e területen.

szerző

  • Juhász Benedek
    Villamosmérnöki szak, alapképzés
    alapképzés (BA/BSc)

konzulensek

  • Kalapos András
    Doktorandusz, Távközlési és Médiainformatikai Tanszék
  • Dr. Gyires-Tóth Bálint
    adjunktus, Távközlési és Médiainformatikai Tanszék

helyezés

Jutalom