Ученые из Вашингтонского университета разработали метод, который решает проблему нехватки данных при обучении глубоких нейронных сетей для медицинской визуализации. Эта методика, представленная на Международной конференции по машинному обучению (ICML 2024) в Вене, позволяет адаптировать модели глубокого обучения к новым данным, даже если их исходное качество и количество оставляют желать лучшего.
Традиционные методы требуют больших объемов данных для обучения моделей, но часто данные могут быть слишком разнообразными или недостаточными. Новая методика, разработанная Улугбеком Камиловым и его командой, использует подход Plug-and-Play Priors, который помогает модели адаптироваться к новым наборам данных, несмотря на их различия в источниках и типах.
Особенностью метода является возможность увеличения качества изображений, полученных за короткий период времени, например, при МРТ, где пациенты должны оставаться неподвижными. Метод позволяет улучшить качество изображений, используя всего несколько десятков снимков.
Новая методика имеет потенциал для применения не только в радиологии, но и в других областях научной и микроскопической визуализации, открывая новые горизонты для исследований и практических приложений.
Kamilov lab