Los modelos de aprendizaje profundo, como los que se utilizan en imágenes médicas para ayudar a detectar enfermedades o anomalías, deben entrenarse con una gran cantidad de datos.Sin embargo, a menudo no hay suficientes datos disponibles para entrenar estos modelos o los datos son demasiado diversos.

Ulugbek Kamilov, profesor asociado de informática e ingeniería y de ingeniería eléctrica y de sistemas en la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis, junto con Shirin Shoushtari, Jiaming Liu y Edward Chandler, estudiantes de doctorado de su grupo, han desarrollado unmétodo para solucionar este problema común enreconstrucción de imagen.

El equipo presentará elresultadosde la investigación de este mes en la Conferencia Internacional sobre Aprendizaje Automático (ICML 2024) en Viena, Austria.

Por ejemplo, los datos de resonancia magnética utilizados para entrenar modelos de aprendizaje profundo podrían provenir de diferentes proveedores, hospitales, máquinas, pacientes o partes del cuerpo fotografiadas.Un modelo entrenado con un tipo de datos podría introducir errores cuando se aplica a otros datos.Para evitar esos errores, el equipo adoptó el enfoque de aprendizaje profundo ampliamente utilizado conocido como Plug-and-Play Priors, tuvo en cuenta el cambio en los datos con los que se entrenó el modelo y adaptó el modelo a un nuevo conjunto de datos entrante.

"Con nuestro método, no importa si no tienes muchos datos de entrenamiento", dijo Shoushtari."Nuestro método permite la adaptación amodelos de aprendizaje profundoutilizando un pequeño conjunto de datos de entrenamiento, sin importar de qué hospital, qué máquina o qué partes del cuerpo provengan las imágenes.

"Lo importante de la estrategia de adaptación del dominio es que podemos reducir los errores que cometemos en las imágenes debido a un conjunto limitado de datos", dijo Shoushtari."Esto podría ayudarnos a aplicar el aprendizaje profundo a problemas que antes se consideraban imposibles debido a los requisitos de datos".

Un uso propuesto para este método sería la adquisición de datos de resonancia magnética, que requiere que los pacientes permanezcan quietos durante largos períodos de tiempo.Cualquier movimiento del paciente conduce a errores.

"Hemos considerado adquirir los datos de la resonancia magnética en un tiempo más corto", dijo Shoushtari."Si bien los escaneos más cortos generalmente generan imágenes de menor calidad, nuestro método se puede utilizar para aumentar computacionalmentecalidad de imagencomo si el paciente estuviera más tiempo en la máquina.La innovación clave en nuestro nuevo enfoque es que sólo requiere decenas de imágenes para adaptar un modelo de resonancia magnética existente a nuevos datos".

El método también es aplicable más allá de la radiología, y el equipo está colaborando con otros colegas para adoptar el método en imágenes científicas, imágenes microscópicas y otras aplicaciones en las que los datos se pueden representar como una imagen.