Búsqueda · 23 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 Robiscorayos XPython
UNED identifica píxeles anómalos
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 #1
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 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 explica cómo investigadores modificaron un framework de UNED (redes neuronales convolucionales) descargable en Python, adaptando su arquitectura básica.
Habla: Sara RobiscoPalabras #6framework uned descargable en pythonredes neuronales convolucionales capas de convolucióntransformación de imágenes con redes convolucionalesimágenes más pequeñas para procesamiento rápido…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 convolución que lo que hacen es transformar la imagen. Normalmente lo que hacen es hacer esa imagen más pequeñita. ¿Por qué? Porque no podríamos imágenes grandes, necesitaríamos redes muy muy grandes y tardaría muchísimo en procesarlas. Entonces lo que va haciendo esta red es va haciendo más pequeñita la imagen para poder tratarla. ¿Y qué han hecho? Han metido una convolución especial que es convolución parcial. o sea, no reduces todo, reduces partes de la imagen. Luego aparte han metido una cosita que llamamos dropout en estas capas convolucionales. ¿Qué es el dropout? El dropout es un truco que usamos…
Sara Robisco explica cómo se evalúa el trabajo de una red neuronal en situaciones donde no se dispone de imágenes limpias para la comparación.
Habla: Sara RobiscoSignificado #16red neuronal imágenes limpiaslímite píxel variación robiscosuavizado red neuronal límites…pues han conseguido un poco el límite de ruido. ¿Qué hacen también? Pues eso, el ruido, un poco para evaluar cómo ha trabajado nuestra red. Podemos hacer tres aproximaciones. Podemos usar imágenes limpias, como he dicho siempre, y comparar, si tuviéramos, en Caso de no tener imágenes limpias, en caso de no tener las imágenes observacionales y usar unos límites en cuanto 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…