LEBIGDATA.FR I.A, Cloud & Cybersécurité
Le modèle d’apprentissage profond peut être désormais formé à partir des données limitées. Cette nouvelle méthode est susceptible d’amoindrir les erreurs dans l’imagerie computationnelle.
Pour former le Deep Learning, notamment ceux que l’on utilise en imagerie médicale pour la détection des anomalies ou des maladies, il faut beaucoup de données. Néanmoins, il arrive que les données utilisées pour l’entraînement de ces modèles ne soient pas suffisantes ou trop diverses. Pour contourner le problème de reconstruction d’images, Ulugbek Kamilov et Shirin Shoushtari, Jiaming Liu et Edward Chandler ont développé une nouvelle méthode.
Des chercheurs vont révéler prochainement une nouvelle méthode en Deep Learning
Kamilov, un professeur associé d’informatique et d’ingénierie et d’ingénierie électrique et des systèmes à la McKelvey School of Engineering de l’Université de Washington à Saint-Louis, a présidé la recherche. Il collabore avec des doctorants que sont Liu, Chandler et Shoushtari.
Cette équipe souhaite profiter de la Conférence internationale sur l’apprentissage automatique ou IML 2024 de ce mois à Vienne, Autriche pour présenter les résultats de la recherche.
A titre d’exemple, les données IRM utilisées pour établir les modèles d’apprentissage profond pourraient résulter de plusieurs fournisseurs, dont les hôpitaux, les machines, les patients ou encore les parties de l’organisme imagées.
Rappelons qu’un modèle formé sur un type de données peut comporter des erreurs quand on l’applique à d’autres informations. Pour éviter que ces erreurs ne se produisent, l’équipe a choisi une approche d’apprentissage profond très appréciée, baptisée Plug-and-Play Priors.
Ce dernier a pris en compte le décalage des données avec lesquelles le modèle a été entraîné. De plus, il a ajusté le modèle à un nouvel ensemble d’informations entrantes.
Dans quel domaine peut-on appliquer cette méthode particulièrement pratique ?
« Avec notre méthode, peu importe que vous n’ayez pas beaucoup de données d’entraînement », a expliqué Shoushtari. « Notre méthode permet de s’adapter aux modèles d’apprentissage profond en utilisant un petit ensemble de données d’entraînement, quels que soient l’hôpital, la machine ou les parties du corps d’où proviennent les images. »
« L’intérêt de la stratégie d’adaptation de domaine est qu’elle nous permet de réduire les erreurs que nous commettons en imagerie en raison d’un ensemble limité de données », a-t-il ajouté. « Cela pourrait nous aider à appliquer l’apprentissage profond à des problèmes qui étaient auparavant considérés comme impossibles en raison des exigences en matière de données. »
On pourrait appliquer cette méthode à l’acquisition de données à partir d’IRM. En fait, elle demande que les patients restent figés durant de longues périodes. En fait, chaque mouvement du patient pourrait entraîner des erreurs.
« Nous avons envisagé d’acquérir les données de l’IRM dans un délai plus court », informe Shoushtari. « Alors que les examens plus courts conduisent généralement à des images de moins bonne qualité, notre méthode peut être utilisée pour améliorer la qualité de l’image par calcul, comme si le patient était resté plus longtemps dans l’appareil. L’innovation clé de notre nouvelle approche est qu’elle ne nécessite que quelques dizaines d’images pour adapter un modèle d’IRM existant à de nouvelles données. »
La méthode s’applique également au-delà de la radiographie. D’ailleurs, cette équipe de chercheurs travaille avec d’autres collègues pour introduire la technique à l’imagerie scientifique. De même pour l’imagerie microscopique et pour d’autres applications dans lesquelles les informations peuvent être symbolisées sous forme d’image.
Qu’en pensez-vous de cette nouvelle approche ? Vous pouvez partager votre avis dans les commentaires.
Restez à la pointe de l’information avec LEBIGDATA.FR !
Abonnez-vous à notre chaîne YouTube et rejoignez-nous sur Google Actualités pour garder une longueur d’avance.
- Partager l'article :
