Fujitsu desarrolla una tecnología de detección de objetos basada en aprendizaje profundo
16 de mayo 2018
Capaz de trabajar con datos limitados, el sistema duplica la exactitud en la detección de estructuras en imágenes médicas.
Fujitsu desarrolla una tecnología de detección de objetos basada en aprendizaje profundo

Fujitsu Laboratories ha desarrollado una tecnología de IA que utiliza el aprendizaje profundo para detectar objetos, incluso en casos en los que solo hay una pequeña cantidad de datos disponibles. En los últimos años, se han realizado esfuerzos para automatizar las tareas en una variedad de campos. En la medicina, por ejemplo, ha habido un deseo de usar IA para automatizar tareas, tales como la detección de objetos, incluidos puntos anómalos, en el análisis de imágenes de diagnóstico. Es típico utilizar el aprendizaje profundo en la detección de objetos, que implica identificar estructuras específicas en una imagen de diagnóstico, pero para producir resultados precisos, se necesitan decenas de miles de imágenes con datos correctos. Sin embargo, dado que estos solo pueden ser creados por médicos con conocimiento experto, ha sido difícil obtener imágenes en volúmenes tan grandes.

Ahora, Fujitsu Laboratories ha desarrollado una tecnología (pendiente de patente) que toma las estimaciones de ubicación del objeto producidas por la red neuronal de detección de objetos y las convierte en una reconstrucción de la imagen original. Luego, al evaluar la diferencia entre la imagen de entrada original y la reconstruida, puede crear grandes volúmenes de datos correctos donde la posición de los objetos se ha estimado con precisión. Esto aumenta el nivel de precisión en la detección de objetos. Fujitsu Laboratories ha colaborado con Graduate School of Medicine en la Universidad de Kyoto y ha aplicado la tecnología recientemente desarrollada para la detección de cuerpos llamados glomeruli (glomérulus singular) en imágenes de biopsias renales. Los resultados de una evaluación mostraron que en un experimento con 50 imágenes con datos correctos y 450 sin datos correctos, en comparación con los métodos de formación existentes que usan solo el mismo número de imágenes con datos correctos, la precisión de la nueva tecnología se había más que duplicado, bajo la estipulación de una tasa de supervisión de menos del 10%.