Búsqueda · 27 momentos en 22 episodios
María RibesFrancis VillatoroHéctor SocasSara RobiscoGastón Giribetuned identifica píxeles anómalosdetección de ruido en imágenes médicascamiseta dibujito blanco como ejemplolímites anormalidad para evitar falsos positivosfalsos positivos análisis imágenesfalsos negativos limpieza datosred neuronal deep learning capasred neuronal no ultra laboriosaUNEDSara RobiscoDeep LearningHéctor Socas
Límites anormalidad para evitar falsos positivos
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20252 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.
…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 Learning con muchísimas capas. Pero bueno, algo que no es súper novedoso ni ultra laborioso. ¿Qué han hecho? Han cogido el framework tal cual de la UNED, el que te puedes descargar de Python, o sea, de arquitectura básica y la han cambiado. ¿Y qué han hecho? Hemos hablado que las redes convolucionales tienen unas capas que llamamos capas de…
Significado #1 · Palabras #1
Héctor Socas comenta sobre el uso de la palabra 'imposible' en un artículo científico, señalando que es una exageración para enfatizar lo inusual del descubrimiento.
Habla: Héctor SocasSignificado #16uso palabra imposible paper científicoexageración detección hallazgo inusualartículo científico detectado algo…2020 estos mismos investigadores de los que ahora hablamos, si quieres, no empezaron a estudiarlo, porque claro, como dices tú, nunca ha habido hablar de esto; es algo imposible, aparentemente imposible, porque lo que le pasó... ¿Qué ibas a decir, Héctor? No, no, es que justo me parece que usan la expresión imposible en el paper, pero evidentemente es una exageración porque estás diciendo que has detectado algo, no puedes decir que es imposible; evidentemente, pero para dar una idea de lo raro que es esto que han descubierto o que se ha descubierto pues vamos a ir, pero antes quería hablar un poco primero de. los autores, porque es que el principal es Guido Giordano, un guido en español de la Universidad de Roma III, con otro de los autores, creo que firma el último, Pier Paolo Petrone, ellos dos han trabajado en vulcanología y arqueología en Herculano y Pompeya…
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 #1uned identifica píxeles anómalosdetección de ruido en imágenes médicascamiseta dibujito blanco como ejemplolímites anormalidad para evitar falsos positivosfalsos positivos análisis imágenesfalsos negativos limpieza datosred neuronal deep learning capasred neuronal no ultra laboriosa…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 Learning con muchísimas capas. Pero bueno, algo que no es súper novedoso ni ultra laborioso. ¿Qué han hecho? Han cogido el framework tal cual de la UNED, el que te puedes descargar de Python, o sea, de arquitectura básica y la han cambiado. ¿Y qué han hecho? Hemos hablado que las redes convolucionales tienen unas capas que llamamos capas de…