Resumen de Optimización de imágenes
A. Benali, R. Martin Pinardel, E. Romero, A. Vellido
- español
La fase de modificación de los datos previa a su uso en modelos de inteligencia artificial (IA) se conoce también como preprocesamiento. En esta área, se han ideado y explorado empíricamente procedimientos nuevos, usándose en retinografía, tomografía de coherencia óptica (OCT) y angiografía de tomografía de coherencia óptica (OCTA). Estos procedimientos consisten en transformaciones de datos donde los objetivos principales son: eliminar artefactos, detectar valores atípicos y mejorar la relación señal/ruido (SNR).
El objetivo es aprovechar al máximo la limitada cantidad de imágenes disponibles, lo que se puede conseguir aplicando un preprocesamiento ad hoc. Esto permite allanar el camino a los modelos de IA para que puedan obtener mejores resultados.
- English
The phase of data modification prior to its use in artificial intelligence (AI) models is also known as preprocessing. In this area, new procedures have been devised and empirically explored and used in retinography, optical coherence tomography (OCT) and optical coherence tomography angiography (OCTA). These procedures consist of data transformations where the main objectives are to eliminate artefacts, detect outliers and improve the signal-to-noise ratio (SNR).
The goal is to make the best use of the limited amount of available images, which can be achieved by applying ad-hoc preprocessing. This paves the way for AI models to be able to achieve better results.
- català
La fase de modificació de les dades prèvia al seu ús en models d’intel·ligència artificial (IA) es coneix també com a preprocessament. En aquesta àrea, s’han ideat i explorat empíricament procediments nous, usant-se en retinografia, tomografia de coherència òptica (OCT) i angiografia de tomografia de coherència òptica (OCTA). Aquests procediments consisteixen en transformacions de dades on els objectius principals són eliminar artefactes, detectar valors atípics i millorar la relació senyal/soroll (SNR).
L’objectiu és aprofitar al màxim la limitada quantitat d’imatges disponibles, cosa que es pot aconseguir aplicant un preprocessament ad-hoc. Això permet obrir camí als models IA per tal que aquests puguin obtenir millors resultats.
