Search
Abstract
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.
Authors (4)
Cite as
Full text
full text is not available in portal
Keywords
Details
- Category:
- Monographic publication
- Type:
- rozdział, artykuł w książce - dziele zbiorowym /podręczniku o zasięgu krajowym
- Language:
- Polish
- Publication year:
- 2022
- Bibliographic description:
- Gruzdzis T., Wicki K., Gładkowska P., Boiński T.: Segmentacja obrazów medycznych przy ograniczonej liczbie adnotacji// Algorytmy i zastosowania inteligencji obliczeniowej/ : Politechnika Gdańska, 2022, s.77-89
- Verified by:
- Gdańsk University of Technology
seen 101 times