Video Experimental Relacionado
Updated: May 5, 2026
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
Análisis comparativo del aprendizaje supervisado y auto-supervisado con conjuntos de datos de imágenes médicas
Andrea Espis1, Chiara Marzi2, Stefano Diciotti3,4
1Department of Electrical, Electronic, and Information Engineering "Guglielmo Marconi" - DEI, University of Bologna, Via dell'Università 50, 47521, Cesena, Italy.
El aprendizaje supervisado generalmente supera el aprendizaje auto-supervisado en conjuntos de datos de imágenes médicas pequeños y desequilibrados. La selección cuidadosa de los métodos de aprendizaje es crucial, teniendo en cuenta el tamaño de los datos y la disponibilidad de etiquetas para un rendimiento óptimo.
Área de la Ciencia:
- Visión por computadora
- Análisis de imágenes médicas
- Aprendizaje automático
Sus antecedentes:
- El aprendizaje auto-supervisado (SSL) es prometedor para reducir las necesidades de datos etiquetados en la visión por computadora.
- Las aplicaciones médicas del mundo real a menudo implican tamaños de conjuntos de datos limitados y distribuciones de clases desequilibradas, a diferencia de los conjuntos de datos grandes y equilibrados (por ejemplo, ImageNet).
Objetivo del estudio:
- Comparar el rendimiento de SSL y el aprendizaje supervisado (SL) en conjuntos de datos de imágenes médicas pequeños y desequilibrados.
- Evaluar el impacto de la variación de la disponibilidad de las etiquetas y de las distribuciones de frecuencia de las clases en el rendimiento del modelo.
Principales métodos:
- Se realizaron experimentos en cuatro tareas de clasificación binaria: predicción de la edad y diagnóstico de la enfermedad de Alzheimer (IRM cerebral), detección de neumonía (rayos X de tórax) y clasificación de enfermedades de la retina (OCT).
- Los tamaños de los conjuntos de entrenamiento variaron, con una media de 843 (predicción de la edad), 771 (Alzheimer), 1,214 (neumonía) y 33,484 (enfermedad de la retina) imágenes.
- Se repitió el entrenamiento del modelo con diferentes semillas aleatorias para garantizar la fiabilidad de los resultados y evaluar la incertidumbre.
Principales resultados:
- El aprendizaje supervisado (SL) demostró un rendimiento superior en comparación con los métodos SSL evaluados en la mayoría de los experimentos con conjuntos de entrenamiento pequeños.
- Esta ventaja de SL persistió incluso cuando solo se podía acceder a una cantidad limitada de datos etiquetados.
- Los hallazgos fueron consistentes en diversas modalidades de imágenes médicas y tareas de clasificación.
Conclusiones:
- El estudio subraya que el aprendizaje supervisado es a menudo más efectivo que el aprendizaje auto-supervisado para conjuntos de datos de imágenes médicas pequeños y desequilibrados.
- La selección óptima de paradigmas de aprendizaje automático es crítica y depende en gran medida de las restricciones específicas de la aplicación, incluido el tamaño del conjunto de entrenamiento, el equilibrio de datos y la disponibilidad de etiquetas.
