Video Experimental Relacionado
Updated: Jan 7, 2026
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.3K
Aprendizaje profundo para el rendimiento del aprendizaje profundo: ¿Cuántos datos se necesitan para la segmentación
Junhyeok Lee1, Hyungjin Chung2, Minseok Suh3
1Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, Republic of Korea.
PloS one
|December 31, 2025
Resumen
Estimar el tamaño del conjunto de datos para el aprendizaje profundo (DL) en imágenes médicas es crucial. Este estudio presenta un marco que utiliza redes de memoria a corto plazo (LSTM) para predecir el rendimiento de la segmentación, mostrando que datos moderados son a menudo suficientes para modelos de DL viables.
Área de la Ciencia:
- Imágenes Biomédicas; Inteligencia Artificial; Análisis de Imágenes Médicas
Sus antecedentes:
- Los modelos de aprendizaje profundo (DL) son vitales en imágenes biomédicas para el análisis cuantitativo a través de la segmentación de imágenes.
- Los métodos tradicionales de estimación del tamaño de la muestra fallan para DL debido a datos de alta dimensionalidad y aprendizaje no lineal.
- La estimación precisa del tamaño del conjunto de datos es fundamental para el desarrollo eficiente de modelos de DL en entornos clínicos.
Objetivo del estudio:
- Proponer un marco específico de DL para estimar el tamaño mínimo del conjunto de datos requerido para un rendimiento de segmentación estable.
- Validar el marco en tareas de segmentación de pólipos de colon y gliomas.
- Introducir un canal de modelado sustituto utilizando redes de memoria a corto plazo (LSTM) para la predicción del rendimiento.
Principales métodos:
- Se entrenaron U-Nets residuales en subconjuntos de datos variables (2%-100% para 2D, 5%-100% para 3D) para la segmentación de pólipos de colon y gliomas.
- Se analizaron métricas de rendimiento como el coeficiente de similitud de Dice (DSC) para identificar puntos de saturación de datos.
- Se desarrolló un canal de modelado sustituto utilizando redes LSTM unidireccionales para predecir curvas de rendimiento de segmentación.
Principales resultados:
- El rendimiento de la segmentación (DSC) mejoró con los datos y la profundidad del modelo, estabilizándose alrededor del 80% de uso de datos en ambas tareas.
- Las mejores configuraciones lograron un DSC de 0.86 para pólipos y 0.79 para gliomas.
- Los modelos LSTM predijeron con precisión el DSC final con un bajo error absoluto medio, lo que demuestra una predicción de rendimiento fiable.
Conclusiones:
- El rendimiento de la segmentación se puede estimar de manera confiable utilizando modelos sustitutos ligeros como LSTM.
- La recopilación de una cantidad moderada de datos de alta calidad suele ser suficiente para desarrollar modelos de DL clínicamente viables.
- El marco propuesto ofrece un método práctico para optimizar la asignación de recursos en el desarrollo de IA médica.