Búsqueda · 25 momentos en 15 episodios
María RibesFrancis VillatoroHéctor SocasSara RobiscoGastón Giribetuned segmentan imágenes médicassegmentación tumores rayos xresonancia magnética identifica hígadouned identifica píxeles anómalosdetección de ruido en imágenes médicascamiseta dibujito blanco como ejemplolímites anormalidad para evitar falsos positivosUNEDSara RobiscoAndrésAstronomy and AstrophysicsHéctor Socasrayos XNatureNature AstronomyColacao
Detección de Ruido en imágenes médicas
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20254 momentos
Con
0:000:301:001:302:002:303:11
Sara Robisco explica el funcionamiento de las UNED (redes neuronales convolucionales) y cómo se utilizan para identificar píxeles anómalos en imágenes médicas, comparando la tarea con distinguir entre ruido y elementos significativos como un dibujo en una camiseta.
…creado una red neuronal llamada Noise to Noise y además es muy sencillita. ¿No os imaginéis algo muy tremendamente laborioso? Es una UNED, este tipo de redes neuronales es un tipo de red neuronal convolucional que hace una forma de U. ¿Para qué las usamos? Las UNED las usamos en medicina; son muy conocidas, muy usadas, tienen unos resultados estupendos; se usan en medicina para segmentar. ¿Qué te hace? ¿Qué es segmentar? Tú le metes imágenes de rayos X, le metes una imagen en 3D de una resonancia magnética y ella lo que te dice es: esto de aquí es un tumor o esto de aquí; y te lo marca, esto es el hígado o lo que tú quieras; te marca aquello que tal. Entonces, ¿qué hace esta UNED? Lo que hace es que marca aquellos píxeles que ya detecta que son anómalos. Son como que no cuadran y en base a ellos lo que se hace es una corrección. Entonces, la idea es buena; ellos tienen unos límites en cuanto a ese límite de anormalidad, porque claro, tú puedes tener regiones en una foto; tú tienes regiones que destacan; tú puedes llevar una camiseta negra con un dibujito blanco, entonces tú tienes que determinar que eso es ruido o no. Entonces, claro, tienes una serie de límites establecidos para evitar problemas de que detecte cosas que no son falsos positivos. Sobre esto también podríamos hablar porque aquí no podemos caer en falsos positivos; es mejor caer en más falsos negativos y limpiar de menos. Entonces, teniendo nuestra red sencillita, algo sencillita, hablamos de una señora red neuronal: esto es Deep…
Significado #1 · Palabras #4
Sara Robisco explica un problema que surge al intentar mejorar imágenes astronómicas utilizando redes neuronales, señalando la dificultad de entrenar los modelos cuando las imágenes originales contienen ruido desconocido.
Habla: Sara RobiscoSignificado #10 · Palabras #3redes neuronales profundas nature astronomyeliminación de ruido imágenes astronómicasautoencoders en astronomíaautoencoders para mejorar imágenes astronómicasmétodos no supervisados filtrado de imágenesruido en imágenes sara robiscoredes neuronales imágenes astronómicasruido desconocido sensores telescopiosimagen limpia inexistente astronomíaautoencoder imagen original sin ruido…este rato; he disfrutado mucho con vosotros. Te despedimos, ya te llamarán para el finiquito. Muy bien, voy a poner una caja de cartón para llevarme mis cosas. Un abrazo a YouTube también. Un abrazo a todos, ¿eh? Chao, chao, chao. Un abrazo, hasta la próxima. Bueno, pues vamos con el siguiente tema, voy a apuntarme aquí, bueno, da igual, lo vamos introduciendo primero El siguiente tema, Sara, es un paper que tú encontraste en Nature Astronomy sobre el uso de redes neuronales profundas para, aquí está, de unos autores chinos para mejorar las imágenes en astronomía, ¿verdad? Exacto, para eliminar ruido y dices, vamos a ver, un paper de Nature, para eliminar ruido en imágenes astronómicas, dices, claro, te saltan todas las alarmas y dices, pero si esto ya está inventado, chiquillos, ¿qué haces? Esto es como el Colacao, esto ya tiene mucho, esto más viejo que pan de molde Claro, ya tenemos autoencoders, ¿qué más quieres? ¿Qué es lo más bonito del mundo? Bueno, pues resulta que cuando lo lees por primera vez te choca y dices, Dios mío, ¿qué es esto que Estoy leyendo. ¿Cuando le das una vueltita te das cuenta de que igual sí que tienes un miguilla? ¿Por qué? Porque ellos aquí lo que plantean es una cosa que no habíamos tenido en cuenta. Cuando nosotros filtramos las imágenes de ruido con métodos no supervisados, lo que hacemos es tomamos una imagen. La metemos ruido adicional que generamos nosotros. Solo un conjunto de imágenes así con ruido generado. Ponemos a que la red entrene con ellas y comparamos los resultados de nuestro autoencoder con la imagen original sin el ruido. Dices, oye, ¿feitra bien o feitra mal? Muy bien, pero ¿qué pasa con las imágenes astronómicas? ¿Qué pasa cuando el ruido es un artefacto que introducen sensores? ¿Cuando el ruido es algo que no somos ni siquiera conscientes de ello? O sea, cuando no tenemos la imagen limpia de todo, en casos de imágenes astronómicas, en casos obtenidas por telescopios tanto terrestres como que están en el espacio. Tú tienes la imagen, pero tienes la imagen como te llega, con ruido; no lo puedes entrenar con imágenes limpias de todo porque esa imagen limpia de todo no existe porque tú no sabes si lo estás quitando bien de todo. Ellos dicen: ¿Qué pasa con esto? Ellos dicen que han creado una red neuronal llamada Noise to Noise y además es muy sencillita. ¿No os imaginéis algo muy tremendamente laborioso? Es una UNED, este tipo de redes neuronales es un tipo de red neuronal…
Sara Robisco explica el funcionamiento de las UNED (redes neuronales convolucionales) y cómo se utilizan para identificar píxeles anómalos en imágenes médicas, comparando la tarea con distinguir entre ruido y elementos significativos como un dibujo en una camiseta.
Habla: Sara RobiscoSignificado #1 · Palabras #4uned segmentan imágenes médicassegmentación tumores rayos xresonancia magnética identifica hígadouned identifica píxeles anómalosdetección de ruido en imágenes médicascamiseta dibujito blanco como ejemplolímites anormalidad para evitar falsos positivos…creado una red neuronal llamada Noise to Noise y además es muy sencillita. ¿No os imaginéis algo muy tremendamente laborioso? Es una UNED, este tipo de redes neuronales es un tipo de red neuronal convolucional que hace una forma de U. ¿Para qué las usamos? Las UNED las usamos en medicina; son muy conocidas, muy usadas, tienen unos resultados estupendos; se usan en medicina para segmentar. ¿Qué te hace? ¿Qué es segmentar? Tú le metes imágenes de rayos X, le metes una imagen en 3D de una resonancia magnética y ella lo que te dice es: esto de aquí es un tumor o esto de aquí; y te lo marca, esto es el hígado o lo que tú quieras; te marca aquello que tal. Entonces, ¿qué hace esta UNED? Lo que hace es que marca aquellos píxeles que ya detecta que son anómalos. Son como que no cuadran y en base a ellos lo que se hace es una corrección. Entonces, la idea es buena; ellos tienen unos límites en cuanto a ese límite de anormalidad, porque claro, tú puedes tener regiones en una foto; tú tienes regiones que destacan; tú puedes llevar una camiseta negra con un dibujito blanco, entonces tú tienes que determinar que eso es ruido o no. Entonces, claro, tienes una serie de límites establecidos para evitar problemas de que detecte cosas que no son falsos positivos. Sobre esto también podríamos hablar porque aquí no podemos caer en falsos positivos; es mejor caer en más falsos negativos y limpiar de menos. Entonces, teniendo nuestra red sencillita, algo sencillita, hablamos de una señora red neuronal: esto es Deep…
Sara Robisco comenta sobre un artículo científico que describe un enfoque interesante para el manejo del ruido en imágenes, pero expresa su desacuerdo con la metodología utilizada para seleccionar los conjuntos de entrenamiento y prueba.
Habla: Sara RobiscoPalabras #10red neuronal aprendizaje no supervisadopíxel antes del cambio píxel despuésumbral para detectar ruidoimagen sin etiquetar sistema no supervisadoselección conjunto entrenamiento testartículo científico manejo ruido imágenes80 entrenamiento 20 testfracción entrenamiento prueba sara robisco…ese píxel varía con sus píxeles que le rodean en un límite marcado. Ellos trabajan con un límite de 100; he perdido la unidad. Trabajan con dos límites pues cuando superas el límite, lo marcas; este hay que cambiarlo y lo que hace es un suavizado o otro es. Para entrenar, haces estas aproximaciones y comparas el píxel. Lo que hacen es comparar el píxel antes del cambio y después del cambio, ¿vale? ¿Por qué? Porque tu red neuronal te devuelve esos píxeles marcados. Haces el cambio y tienes para comparar cómo estabas antes y cómo estás después. Si ese cambio es mayor que otro umbral, dices, ¿vale? Parece que eso era ruido o pues no parece que hubiera ruido, y mediante estas estrategias es como ellos evalúan la red neuronal porque tengamos en cuenta es un sistema no supervisado: tú no tienes la imagen etiquetada, tú no tienes la imagen pura prístina que te sale del telescopio porque no existe esa imagen. El instrumento bien por las lentes, bien por el sistema, bien por lo que sea puede tener por polvo, puede tener ruido. Va a tener ruido siempre, entonces es interesante este enfoque; sí que el artículo plantea esto bastante bien. Tiene un tema que no me gusta y es la selección de conjunto de entrenamiento y test. Han elegido 10 imágenes y lo han hecho un poco al revés: ¿cómo elegimos, separamos entrenamiento y test? No hay una norma escrita, pero se suele usar un 80% entrenamiento, 20% test; 70-30 también es válido, o sea, juegas un poco con estos parámetros. Ellos han cogido 10 imágenes, entrenan con una y prueban con 9. Claro, eso llama mucho la atención; a mí me explotó la cabeza porque dije: esto va a salir sesgado, pero si tú piensas que esa imagen se divide en muchas regiones, igual tu conjunto de entrenamiento también es mayor. Pero aún así me parece una barbaridad, una…
Héctor Socas introduce un ejemplo de un artículo publicado en Astronomy and Astrophysics junto a Andrés, mostrando imágenes solares reales y su versión procesada por una red neuronal para ilustrar cómo esta última elimina el ruido.
Habla: Héctor SocasPalabras #7artículo andrés astronomy astrophysicsred neuronal elimina ruido solarimágenes solares reales vs procesadasred neuronal para imágenes solareseliminación del ruido como subproducto nature astronomyimpacto superior revistas astrofísica…ver por qué esto se publica en Nature Astronomy. ¿Qué tiene de novedoso y bueno? Es lo que ha explicado Sara de que se entrena sin tener modelos previos y tal, pero te voy a poner un ejemplo porque es que lo tengo aquí porque como es de un paper mío lo tengo. Aquí al lado y esto es de un artículo que publiqué con Andrés en 2023; creo que fue en Astronomy and Astrophysics. Iba sobre otra cosa, no iba sobre filtrar ruido, pero aquí puedes ver un ejemplo de imágenes solares: la imagen real observada y cómo queda después de que la procese la red neuronal. Ves que la filtra todo el ruido que tiene. pero no era para eso, el propósito de la red no era filtrar el ruido, estaba haciendo otras cosas pero como subproducto, y de hecho solo mencionamos una frase, una frase en la que se dice, y bueno, como subproducto tenemos una imagen también más limpia de ruido porque, como digo, es algo que todo el mundo sabe, qué pasa cuando aplicas una red neuronal y entonces yo viendo este artículo digo, pero no solo que se publica sino que además se publica en Nature Astronomy que es una revista con un impacto superior al de las revistas especializadas de astrofísica, no es como el Nature principal pero está a mitad de camino y bueno, tenía su vuelta de tuerca nos costó, nos costó dudo bastante que esto, en fin, que un editor experto y un referido experto te lo hubiera publicado en esa revista a mí me parece que es un poco el efecto moda, de que ahora está muy de moda el aplicar inteligencia artificial a cualquier cosa y cualquier…