Որոնք են երիկամների քարերը:
- Խորը ուսուցման վրա հիմնված երիկամների քարերի նույնականացման առանձնահատկությունների միաձուլման ռազմավարությունների համեմատություն(arXiv)
Հեղինակ՝ Էլիաս Վիլալվազո-Ավիլա, Ֆրանսիսկո Լոպես-Տիրո, Դանիել Ֆլորես-Արայզա, Ժիլբերտո Օչոա-Ռուիս, Ջոնաթան Էլ-Բեզե, Ժակ Հյուբերտ, Քրիստիան Դոլ
Վերացական .Այս ներդրումը ներկայացնում է խորը ուսուցման մեթոդ՝ տարբեր տեսանկյուններից ստացված պատկերի տեղեկատվության արդյունահանման և միաձուլման համար՝ նպատակ ունենալով ստեղծել ավելի տարբեր օբյեկտների առանձնահատկություններ: Մեր մոտեցումը հատուկ նախագծված էր՝ ընդօրինակելու մորֆո-սահմանադրական վերլուծությունը, որն օգտագործվում էր ուրոլոգների կողմից՝ տեսողականորեն դասակարգելու երիկամների քարերը՝ ստուգելով դրանց բեկորների հատվածներն ու մակերեսները: Խորը առանձնահատկությունների միաձուլման ռազմավարությունները բարելավեցին մեկ հայացքով արդյունահանման ողնաշարի մոդելների արդյունքները ավելի քան 10%՝ երիկամների քարերի դասակարգման ճշգրտության առումով։
2. FSL մեթոդների ընդհանրացման հնարավորությունների մասին տիրույթի հարմարեցման միջոցով. դեպքի ուսումնասիրություն երիկամների քարերի էնդոսկոպիկ պատկերի դասակարգման մեջ(arXiv)
Հեղինակ՝Մաուրիսիո Մենդես-Ռուիս, Ֆրանցիսկո Լոպես-Տիրո, Ջոնաթան Էլ-Բեզե, Վինսենթ Էստրեյդ, Ժիլբերտո Օչոա-Ռուիս1, Ժակ Հյուբերտ, Անդրես Մենդես. -Վասկես», Քրիստիան Դոլ
Վերացական. Խորը ուսուցումը մեծ խոստումներ է տվել համակարգչային տեսողության տարբեր ոլորտներում, ինչպիսիք են պատկերների դասակարգումը, օբյեկտների հայտնաբերումը և իմաստային հատվածավորումը, ի թիվս այլոց: Այնուամենայնիվ, ինչպես բազմիցս ցույց է տրվել, տվյալների բաշխման տեղաշարժերի պատճառով տվյալների բաշխման տեղաշարժերի պատճառով տվյալների բազայի վրա վերապատրաստված խորը ուսուցման մեթոդները լավ չեն ընդհանրացվում այլ տիրույթներից կամ նույնիսկ նմանատիպ տվյալների հավաքածուներին: Այս աշխատանքում մենք առաջարկում ենք օգտագործել մետա-ուսուցման վրա հիմնված մի քանի կրակոց ուսուցման մոտեցման՝ այս խնդիրները մեղմելու համար: Դրա արդյունավետությունը ցուցադրելու համար մենք օգտագործում ենք երիկամների քարերի նմուշների երկու տվյալների հավաքածու, որոնք ձեռք են բերվել տարբեր էնդոսկոպներով և ձեռքբերման տարբեր պայմաններով: Արդյունքները ցույց են տալիս, թե ինչպես են այդպիսի մեթոդները իսկապես ընդունակ կարգավորել տիրույթի տեղաշարժերը՝ համապատասխանաբար 74,38% և 88,52% ճշտություն ձեռք բերելով 5-ուղի 5 և 5-ուղի 20 կրակոց պարամետրերում: Փոխարենը, նույն տվյալների բազայում ավանդական Deep Learning (DL) մեթոդները հասնում են ընդամենը 45% ճշգրտության:
3.Մեքենայի ուսուցման միջոցով երիկամների քարերի in vivo ճանաչման մասին(arXiv)
Հեղինակ՝Ժիլբերտո Օչոա-Ռուիս, Վինսենթ Էստրեյդ, Ֆրանսիսկո Լոպես, Դանիել Ֆլորես-Արայսա, Ջոնաթան Էլ Բեզե, Դինհ-Հոան Տրին, Միգել Գոնսալես- Մենդոզա, «Պասկալ Էշվեժ, Ժակ Հյուբերտ, Քրիստիան Դոլ
Վերացական .Երիկամների քարերի տեսակը որոշելը թույլ է տալիս ուրոլոգներին նշանակել բուժում՝ երիկամային լիթիազի կրկնությունից խուսափելու համար: Պատկերների վրա հիմնված ավտոմատացված in-vivo դասակարգման մեթոդը կարևոր քայլ կլինի երիկամների քարի տեսակի անհապաղ նույնականացման ուղղությամբ, որն անհրաժեշտ է որպես ախտորոշման առաջին փուլ: Գրականության մեջ ex-vivo տվյալների վրա (այսինքն՝ շատ վերահսկվող տեսարանների և պատկերների ձեռքբերման պայմաններում) ցույց է տրվել, որ երիկամների քարերի ավտոմատ դասակարգումն իսկապես հնարավոր է: Այս պիլոտային հետազոտությունը համեմատում է մեքենայական ուսուցման վեց մակերեսային մեթոդների և խորը ուսուցման երեք ճարտարապետության երիկամների քարերի ճանաչման արդյունավետությունը, որոնք փորձարկվել են ստանդարտ ureteroscopies-ի ընթացքում էնդոսկոպով ձեռք բերված միզաքարերի չորս ամենատարածված տիպերի in-vivo պատկերներով: Այս ներդրումը մանրամասնում է տվյալների բազայի կառուցումը և երիկամների քարերի փորձարկված դասակարգիչների նախագծումը: Նույնիսկ եթե լավագույն արդյունքները ստացվել են Inception v3 ճարտարապետությամբ (կշռված ճշգրտություն, հիշողություն և F1 գնահատական՝ համապատասխանաբար 0,97, 0,98 և 0,97), ցույց է տրվում նաև, որ համապատասխան գունային տարածության և հյուսվածքային առանձնահատկությունների ընտրությունը թույլ է տալիս մակերեսային մեքենայական ուսուցման մեթոդ: սերտորեն մոտենալ խորը ուսուցման ամենախոստումնալից մեթոդներին (XGBoost դասակարգիչը հանգեցրել է կշռված ճշգրտության, հիշելու և F1 միավորի 0,96 արժեքների): Այս թուղթն առաջինն է, որն ուսումնասիրում է ուրետրոսկոպիայի ընթացքում ձեռք բերված պատկերներից ստացված առավել զանազան հատկանիշները:
