La ricerca sull'IA migliora la segmentazione delle immagini mediche rilevando e correggendo gli errori di etichettatura durante l'addestramento

Un nuovo studio indaga come i modelli di deep learning per la segmentazione ecocardiografica gestiscono gli errori nelle etichette di verità fondamentale, spesso create tramite annotazione manuale e che possono contenere errori casuali o distorsioni sistematiche. I ricercatori hanno simulato tre tipi distinti di errori utilizzando il dataset CAMUS per testare la robustezza del modello. Hanno confrontato due metodi per rilevare le etichette problematiche durante l'addestramento: uno basato sui valori di perdita e un altro utilizzando la Varianza dei Gradienti (VOG). L'approccio VOG ha dimostrato un'elevata efficacia nell'identificare le etichette di verità fondamentale errate. Inoltre, il team ha proposto una tecnica di pseudo-etichettatura per rinnovare le etichette sospettate di essere errate. Le prestazioni sono state valutate attraverso diversi livelli di contaminazione da errori. Nonostante la presenza di errori, un'architettura U-Net standard ha mantenuto solide prestazioni di segmentazione sotto errori di etichettatura casuali e errori sistematici moderati. Questa ricerca affronta una sfida cruciale nell'IA medica, dove la segmentazione accurata delle immagini ecografiche cardiache è essenziale per la diagnosi ma dipende da dati di addestramento potenzialmente imperfetti. Il lavoro è stato pubblicato su arXiv con l'identificatore arXiv:2604.12832v1.