FenixEdu™

Dissertação

Continual Deep Active Learning for Medical Imaging: Replay-Base Architecture for Context Adaptation EVALUATED

Detalhes: Atualmente, no âmbito de imagem médica, a Aprendizagem Profunda enfrenta desafios ao nível da adaptação e generalização para novos contextos, e carece de dados anotados para tarefas específicas, exigindo um esforço significativo de anotação. A Aprendizagem Contínua (CL) a partir de um fluxo de dados promove a adaptabilidade e a generalização, enquanto mitiga o esquecimento do conhecimento previamente adquirido. Por outro lado, a Aprendizagem Ativa (AL) reduz o número de anotações necessárias para um treino eficaz. Desta forma, nesta dissertação de mestrado foram exploradas ambas as abordagens (CAL) para desenvolver uma framework inovadora para a análise robusta de imagens médicas. Com base no reconhecimento automático de alterações em características de imagens, o Replay-Base Architecture for Context Adaptation (RBACA) aplica um método de CL que utiliza uma memória de ensaio para aprender continuamente a partir de diversos contextos. Para além disso, contém uma componente de AL que seleciona dinamicamente as instâncias mais informativas para anotação. Uma abordagem inovadora para avaliar métodos CAL é estabelecida com o uso de uma métrica definida como IL-Score, que permite a avaliação simultânea de transferência de conhecimento, esquecimento e desempenho final do modelo. O desempenho foi avaliado em tarefas de segmentação e classificação de patologias cardíacas, em cenários de aprendizagem incremental de domínios (Domain-IL) e de classes (Class-IL). A abordagem proposta supera uma baseline composta por uma framework padrão sem CAL, e um método estado da arte de CAL, demonstrando um desempenho eficaz para diversos orçamentos de anotação e dimensões de memória.
Keywords: Aprendizagem Profunda, Aprendizagem Ativa, Aprendizagem Contínua, Imagem Médica

Discussão: novembro 27, 2024, 14:0

Documentos da dissertação ainda não disponíveis publicamente