La eliminación del ruido de los datos de aprendizaje es muy importante cuando se aprenden modelos de IA. Los modelos de inteligencia artificial aprendidos usando mucho ruido son menos precisos.
Este post explica cómo convertir imágenes y cómo utilizarlas para eliminar el ruido. El método de conversión de formato de imagen hoy es Erosión/Dilación.
Erosión / Dilatación
Este es el método utilizado en imágenes en blanco y negro. La transformación de la imagen se realiza moviendo una caja con un tamaño específico, llamado el núcleo, dentro de la imagen. Aquí, es necesario utilizar un kernel de tamaño adecuado para convertir imágenes mientras retiene la forma de la imagen original.
- Erosión
Erosión escanea una imagen en una caja cuadrada (canal) y realiza una conversión de imagen que convierte todos los colores en la caja a blanco si contiene un blanco (0). Si sólo hay negro (1) o blanco (0) en la caja, no se realiza conversión de imagen. Cuando esto se hace, el área negra es más estrecha que la imagen original. La palabra “erosión” parece haber sido usada para estrechar el área negra.
- Dilatación
En contraste con la Erosión, Dilation realiza una conversión de imagen con un negro (1) en la caja (panel) que convierte todos los colores en la caja a negro (1). Usando este método, la palabra dilatación parece ser utilizada en el sentido de que el área negra es extendida.
Sí. Cómo utilizar Erosión y Dilatación para la reducción del ruido en los datos de aprendizaje De acuerdo. Esto se explicará mirando la patente de JLK Inspection relacionada con la tecnología que elimina el ruido de las imágenes MRI.
Si hace clic en la imagen, puede ver el aviso de patente.
Para formar un modelo de IA para reconocer si una imagen de IRM contiene lesiones, los médicos deben indicar qué parte de la imagen de IRM (video para el aprendizaje de inteligencia artificial) está presente. Esto significa que los médicos están trabajando en una anotación.
Sin embargo, cuando una persona realiza una operación de anotación con su dedo, no es posible que una persona indique con exactitud dónde existe una lesión sólo cuando hay una lesión en una región que es más pequeña que el tamaño del dedo de una persona. Es difícil indicar dónde existe exactamente la lesión, incluso cuando una persona realiza una operación de anotación con un ratón. Por lo tanto, en una imagen de aprendizaje IA donde se completa la tarea de anotación, puede haber una parte mal comprobada (ruido) donde las lesiones no existen.
De una manera más técnica, si una persona convierte la imagen de resonancia magnética de una lesión en un citograma tridimensional, la ubicación del médico de la lesión se muestra en negro, como se muestra en la imagen siguiente. Según la presente invención, la porción continua es la ubicación de la lesión y el ruido que se dibuja alrededor de ella (rojo).
Cinograma tridimensional con ruido
Para eliminar este ruido, una Erosión/Dilación es una parte clave de esta patente. En otras palabras, cuando se realiza una Erosión/Dilación, la imagen se convierte finalmente en un citograma tridimensional con sólo las lesiones como se muestra a continuación.
Cinograma 3D con ruido removido
Finalmente, cuando el citograma tridimensional con el ruido removido se convierte de nuevo en una imagen de resonancia magnética, se crean los datos de aprendizaje con el ruido eliminado. La clave de esta invención es que cuando los modelos de IA se entrenan utilizando datos de aprendizaje reducidos por ruido, se crean modelos de IA de alta precisión en análisis de imagen médica.
Como se describe en la patente, si una tecnología bien conocida existente (Erosión/Dilación) se utiliza como una variante adecuada (Erosión/Dilación se aplica a un citograma que convierte imágenes de RM) para abordar cualquier problema en un campo (en el campo del análisis de imágenes médicas).
Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso.