Es cierto que la importancia del aumento de datos depende del tamaño y la calidad del conjunto de datos. No sé cuál es la variedad en el conjunto de datos que tiene. Suponiendo que tenga un buen conjunto, puede intentar hacer lo siguiente:
Diagnóstico automatizado utilizando clasificadores estándar : si tiene imágenes de resonancia magnética de individuos normales vs enfermos, podría construir vectores de características significativas de los aspectos relevantes de la imagen y entrenar un algoritmo de ML para escribir el diagnóstico por usted. Esto funcionará bien si el dominio del diagnóstico de la enfermedad está bien limitado. Si no es así, los métodos avanzados son el camino a seguir.
Puede leer este documento para tener una buena idea: https://github.com/iiSeymour/fun…
- ¿Cuál es la forma más fácil de entender el análisis de componentes principales?
- ¿Cuáles son los últimos algoritmos y técnicas para la corrección ortográfica?
- ¿Cuáles son los mejores algoritmos de aprendizaje sin supervisión para la corrección ortográfica?
- ¿Por qué tenemos que convertir el valor categórico en factor (en R) o variables ficticias antes de aplicar algoritmos de aprendizaje automático (especialmente regresión lineal)? ¿Afecta nuestros resultados?
- Estoy tratando de construir un proyecto de aprendizaje automático para predecir el precio del automóvil usado. ¿Dónde puedo obtener una base de datos para la reventa de los autos usados?
Entrenaron a un perceptrón multicapa en imágenes del fondo del ojo para diagnosticar la retinopatía diabética. Como se esperaba, un diagnóstico multifacético se dividió en un conjunto de problemas de clasificación binaria y luego se combinan los resultados para generar el diagnóstico. Los niveles de precisión dependen de una variedad de factores: elección de características, volumen de datos, elección del algoritmo.
Si tiene menos proyecciones de resonancia magnética: aún podría estudiar qué combinación / número de proyecciones se requieren para clasificar la imagen en el escaneo con la mayor precisión. Una vez que haya definido su tarea de clasificación, puede intentar responder las siguientes preguntas
- Construya una gráfica de No. de proyecciones vs. precisión del clasificador. ¿que ves?
- ¿Las características están mejor separadas en una proyección determinada que en otra? haga un KNN simple después de que haya extraído las características de sus cortes de MRI
- Si solo tiene un tipo de conjunto de datos (solo todos los escaneos normales, por ejemplo), intente detectar todas las regiones automáticamente
3. Impacto de la resolución: adquiera las imágenes en múltiples resoluciones y estudie el impacto en el resultado del aumento.
Métodos espectrales: si quieres hacer algo realmente avanzado, puedes buscar el trabajo del profesor Anima Anandkumar. Ella trata de sortear los inconvenientes de tener menos datos o menos dimensiones en los datos utilizando modelos gráficos probabilísticos y nuevos métodos de Tensor para análisis de baja dimensión. Su software y su trabajo están en su página de inicio.
Animashree Anandkumar
Sin embargo, la idea del diagnóstico basado en el aumento de datos está lejos de ser nueva. El primer documento completo que he leído es este. Construye una lógica estructurada sobre cómo construir su enfoque basado en datos basado en los datos / problemas que tiene a mano.
Inteligencia Artificial en Diagnóstico Médico
Espero que esto pueda ser de alguna ayuda. ¡Buena suerte!
