Supervised learning for lower urinary tract identification with limited and imbalanced training data.
Uloženo v:
| Název: | Supervised learning for lower urinary tract identification with limited and imbalanced training data. |
|---|---|
| Alternate Title: | Uczenie nadzorowane do identyfikacji dolnych dróg moczowych przy użyciu ograniczonych i niezrównoważonych danych treningowych. (Polish) |
| Autoři: | WAJMAN, Radosław, BANASIAK, Robert, SPUTOWSKI, Maciej, MOSOROV, Volodymyr |
| Zdroj: | Przegląd Elektrotechniczny; 2025, Vol. 2025 Issue 6, p98-107, 10p |
| Témata: | CONVOLUTIONAL neural networks, DISTRIBUTED computing, URINARY organs, PROCESS capability, BLADDER |
| Abstract (English): | In recent years, the advantages of AI in data processing and analysis have become increasingly evident in the medical field. There has been a rapid growth in the application of AI in clinical medicine, including its use in urinary system disease detection. AI offers the capability to process and utilize diagnostic information, presenting new opportunities for precise and individualized treatment while promoting non-invasive diagnostic and therapeutic approaches. This paper introduces an original approach to addressing the supervised learning problem in convolutional neural network (CNN) models for lower urinary tract identification when confronted with a scarce and imbalanced training dataset. The proposed solution involves significantly expanding the diagnostic urinary bladder dataset by increasing the number of samples through various augmentation strategies. However, this approach also intensifies the computational complexity of AI training, rendering it infeasible to load all training datasets into memory simultaneously. To overcome this challenge, a distributed computing approach has been developed, incorporating dynamic loading of training data alongside programming-level memory optimization. [ABSTRACT FROM AUTHOR] |
| Abstract (Polish): | W ostatnich latach zalety sztucznej inteligencji (AI) w przetwarzaniu danych i diagnostyce medycznej stały się coraz bardziej widoczne. Wpływ na to mają postępy w technologii komputerowej i integracja wielu dyscyplin. Warto zauważyć, że nastąpił szybki wzrost zastosowań AI w medycynie klinicznej, w tym jej wykorzystania w technologiach wykrywania chorób układu moczowego. AI oferuje możliwość przetwarzania informacji diagnostycznych, co stwarza nowe możliwości precyzyjnego, spersonalizowanego leczenia, jednocześnie promując nieinwazyjne podejścia diagnostyczne. W niniejszym artykule przedstawiono oryginalne podejście do rozwiązania problemu uczenia nadzorowanego w modelach sieci neuronowych splotowych (CNN) do identyfikacji dolnych dróg moczowych w przypadku ograniczonego i niezrównoważonego zestawu danych treningowych. Proponowane rozwiązanie obejmuje znaczne rozszerzenie zestawu danych diagnostycznych dotyczących pęcherza moczowego poprzez zwiększenie liczby próbek za pomocą różnych strategii. Jednak podejście to zwiększa również złożoność obliczeniową treningu AI, co sprawia, że niewykonalne jest jednoczesne załadowanie wszystkich zestawów danych treningowych do pamięci. Aby przezwyciężyć to wyzwanie, opracowano podejście rozproszonego przetwarzania, obejmujące dynamiczne ładowanie danych wraz z optymalizacją pamięci. [ABSTRACT FROM AUTHOR] |
| Copyright of Przegląd Elektrotechniczny is the property of Wydawnictwo SIGMA-NOT and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Databáze: | Complementary Index |
Nájsť tento článok vo Web of Science Buďte první, kdo okomentuje tento záznam!