LoRA-PT: Adaptación de bajo rango de UNETR para la segmentación del hipocampo utilizando valores y vectores...

Área de la Ciencia:

• Imágenes neurológicas
• La inteligencia artificial en la medicina
• Neurociencia computacional

Sus antecedentes:

• La segmentación precisa del hipocampo es crucial para comprender los trastornos psiquiátricos.
• Los modelos de aprendizaje profundo ofrecen segmentación avanzada pero requieren recursos y datos extensos.
• La segmentación de imágenes médicas a menudo enfrenta desafíos con datos de capacitación etiquetados limitados.

Objetivo del estudio:

• Desarrollar un método de ajuste fino eficiente de parámetros (PEFT) para la segmentación del hipocampo.
• Adaptar un modelo UNETR previamente entrenado del conjunto de datos BraTS2021 para la segmentación del hipocampo.
• Superar las limitaciones del costo computacional y la escasez de datos en el aprendizaje profundo para imágenes médicas.

Principales métodos:

• Se propone LoRA-PT, una nueva técnica PEFT.
• Utilizó la descomposición del valor singular del tensor para crear tensores de rango bajo a partir de matrices de parámetros del transformador.
• Solo se ajustaron los tensores de rango bajo, manteniendo fijos los tensores residuales.

Principales resultados:

• LoRA-PT demostró una precisión de segmentación superior en comparación con los métodos PEFT existentes.
• Se redujo significativamente el número de actualizaciones de parámetros requeridas para el ajuste fino.
• Validado en tres conjuntos de datos públicos del hipocampo.

Conclusiones:

• LoRA-PT ofrece una solución eficiente y efectiva para la segmentación del hipocampo.
• El método transfiere con éxito el conocimiento de grandes conjuntos de datos a tareas con datos limitados.
• LoRA-PT avanza en la aplicación del aprendizaje profundo en el análisis de neuroimágenes.