Key points are not available for this paper at this time.
Nas últimas poucas décadas, a inteligência artificial e o aprendizado de máquina têm visto muitas pesquisas ativas em áreas como visão computacional, processamento de linguagem natural e processamento de fala. Como resultado, modelos de aprendizado profundo tornaram-se o estado da arte para tarefas de visão computacional, como detecção de objetos, classificação, segmentação e outras tarefas associadas. Claro, os frutos dessa pesquisa são estendidos ao design de sistemas de saúde digital robustos e confiáveis, bem como outras aplicações no setor de saúde. Muitas aplicações clínicas requerem a segmentação automática de imagens médicas. Abordagens recentes baseadas em aprendizado profundo demonstraram desempenho de ponta em tarefas de segmentação de imagens médicas. Além de sua capacidade de extrair características automaticamente e generalizar sobre grandes quantidades de dados, modelos de aprendizado profundo baseados em transferência têm se mostrado úteis para áreas com escassez de dados, como domínios médicos. Nesta pesquisa, investigamos e demonstramos a eficácia de um modelo de transferência de aprendizado baseado em DCNN - Res101Unet, que foi treinado e/ou ajustado para executar tarefas de segmentação de tecido tumoral em imagens de MRI, CT, PET e raios-X de exames de órgãos médicos com pouco dado. Para nosso estudo experimental, utilizamos dois conjuntos de dados de imagem: 'Tumor de Fígado' e 'Câncer de Cólon Glandular', ambos obtidos do portal Kaggle. Esta configuração experimental inclui uma API de modelo de segmentação de código aberto. Nossos achados indicam que a transferência de aprendizado baseada na similaridade de domínio pode ser utilizada em setores com escassez de dados. Alcançamos 98,47% de precisão e uma pontuação IoU de 0,9891 nos dados de Tumor de Fígado e 0,6956 de precisão e uma pontuação IoU de 0,7043 no conjunto de dados do câncer de cólon glandular.
Rolangi et al. (Mon,) estudaram essa questão.