Deep Learning

Este trabajo estudia los límites de SAM (Meta) en segmentación de imágenes médicas y optimiza sus prompts mediante algoritmos genéticos para reducir la intervención del usuario. En TC pulmonares, radiografías de tórax y RM de bazo, mejora notablemente la precisión (Dice de 97,17 %, 96,57 % y 95,07 %) sin reentrenar ni modificar SAM, y se acerca al estado del arte. Sin embargo, presenta un techo de rendimiento que más iteraciones no superan. Aún falta una validación clínica más amplia.

Este artículo presenta MetrikaBox, un paquete de clasificación de audio de propósito general, de código abierto y extensible, diseñado …

Este artículo presenta un novedoso enfoque que aprovecha las capacidades de segmentación de vídeo de SAM 2 para reducir el número de prompts necesarios para segmentar un volumen completo de imágenes médicas. El estudio compara primero el rendimiento de SAM y SAM 2 en la segmentación de imágenes médicas. A continuación, se presenta nuestro novedoso enfoque. Los resultados muestran que SAM 2 consigue una mejora media del 1,76% en el Jaccard Index y del 1,49% en el Dice Score en comparación con SAM.

Este artículo presenta un enfoque innovador para la clasificación de audio, aprovechando la representación latente generada por el …

Segment Anything Model (SAM), desarrollado por Meta, demuestra un rendimiento excepcional en la segmentación de imágenes médicas, en particular para TAC de pulmón y radiografías de tórax, alcanzando un índice Jaccard medio del 91,45 % y una puntuación Dice media del 94,95 % con una intervención mínima del usuario. En particular, SAM supera el umbral del 70 % recomendado en la literatura y rivaliza con los modelos más avanzados diseñados explícitamente para la segmentación médica.

Curso teórico-práctico para la generación de contenidos musicales con redes neuronales.