在学习AI模型时,从学习数据中去除噪声非常重要. 人工智能模型使用许多噪声学习的,其准确性较低.
这篇文章解释了如何转换图像以及如何使用图像去除噪音. 今天的图像格式转换方法是Erosion/Dilation.
侵蚀 / 扭曲
这是黑白图像中使用的方法. 图像转换是通过移动一个具有特定大小的盒子,称为内核,在图像内部实现的. 在此,需要使用合适的大小内核来转换图像,同时保留原始图像的形式.
- 侵蚀
侵蚀扫描一个平方框中的图像(内核),并进行图像转换,如果其中包含白色(0),则将框中的所有颜色转换为白色. 如果框中只有黑色(1)或白色(0),则不进行图像转换. 完成后,黑色区域比原始图像更窄. “侵蚀”一词似乎被用来缩小黑区。
- 扩展
与Erosion相对,Dilation在盒子(内核)中进行一个带有黑色(1)的图像转换,将盒子中的所有颜色转换为黑色(1). 使用这种方法,字形拓扑似乎在黑色区域被扩展的意义上使用.
对 如何在学习数据中使用减噪和减震 好吧,我告诉你。 这将通过研究JLK检查专利来解释,该专利涉及清除核磁共振图像中的噪声的技术。
如果点击图像,可以看到专利通知.
为训练AI模型识别MRI影像中的病灶，医生需要在训练影像中标明病灶位置，即进行数据标注。
然而,当一个人用手指进行注解手术时,一个人不可能准确地说明只有在一个小于一个人手指大小的区域有损伤时才存在损伤的地方. 很难说明究竟哪里只有损伤存在,即使一个人用鼠标进行麻醉手术。 因此,在注释工作完成的人工智能学习图像中,可能有一个部分(噪音)被错误地检查,因为不存在损伤。
按照原文所述技术，将人工标记病灶的MRI影像转换为三维正弦图后，医生标记的病灶位置显示为黑色。该发明将连续区域识别为病灶位置，将周围呈红色点状分布的部分识别为噪声。
带有噪音的三维共振图
为了消除这种噪音,侵蚀/分裂是这项专利的关键部分. 换句话说,当进行侵蚀/分裂时,图像最终被转换成三维的共振图,只有以下所示的损伤.
带噪声的3D 声波图
最后,当带去噪声的三维动因图被转换回核磁共振图像时,会生成带去噪声的学习数据. 这种发明的关键是,当AI模型使用噪音降低的学习数据进行训练时,医疗图像分析中的高精度AI模型就被创造出来.
如专利中描述的,如果将现有知名技术(Erosion/Dilation)用作合适的变体(Erosion/Dillation应用到转换核磁共振影像的动因图),以解决某个领域的任何问题(医学影像分析领域).
本文基于发表时的情况撰写。如需就具体事项咨询，请联系IPLEX。