Una nuova ricerca sull’IA presenta i modelli generativi MONAI una piattaforma open-source che permette ai ricercatori e agli sviluppatori di addestrare, valutare e implementare facilmente modelli generativi.

La ricerca presenta MONAI, una piattaforma open-source per addestrare e implementare modelli generativi.

Sono stati fatti nuovi sviluppi in diversi settori, incluso l’imaging medico, grazie ai recenti progressi nell’intelligenza artificiale generativa. Questi modelli generativi hanno grandi promesse per una vasta gamma di utilizzi, tra cui la rilevazione di anomalie, la traduzione da immagine a immagine, la riduzione del rumore e la ricostruzione dell’imaging a risonanza magnetica (MRI). Tuttavia, questi modelli sono notoriamente complessi, rendendo difficile metterli in pratica e riprodurli. Questa complessità può rallentare il progresso, creare barriere all’ingresso per gli utenti e scoraggiare la valutazione di approcci innovativi rispetto alle pratiche consolidate.

Per rendere più facile e standardizzata la creazione e l’implementazione di modelli generativi, il team di ricercatori ha creato una piattaforma open-source chiamata MONAI Generative Models. Questo gruppo includeva ricercatori del King’s College di Londra, dell’Istituto Nazionale di Salute Mentale, dell’Università di Edimburgo, dell’Università di Basilea, del Korea Advanced Institute of Science & Technology, di NVIDIA, dell’Università di Stanford, della Icahn School of Medicine al Monte Sinai e dell’University College di Londra.

Sono discussi cinque studi che coprono una vasta gamma di argomenti legati all’imaging medico, dalla rilevazione di dati fuori distribuzione alla traduzione di immagini e alla sovra-risoluzione, per dimostrare l’efficacia della tecnologia. L’adattabilità della piattaforma, dimostrata dal suo utilizzo con varie modalità e regioni anatomiche in scenari 2D e 3D, ne dimostra il potenziale come strumento innovativo per l’avanzamento dell’imaging medico. I cinque esperimenti sono i seguenti:

• Questa ricerca sull’IA introduce una nuova distillazione della posa a due fasi per la stima della posa dell’intero corpo
• Cache dei LLM generativi | Risparmio sui costi API
• Smantellando l’Indice di Gini Come l’Economia ha Ispirato l’Apprendimento Automatico

1. I modelli proposti possono essere facilmente adattati a nuove situazioni, consentendo confronti più approfonditi in una vasta gamma di situazioni e ampliando il loro ambito iniziale. Per dimostrare questa qualità, i ricercatori hanno valutato il Modello di Diffusione Latente, uno dei modelli all’avanguardia nel loro pacchetto, e la sua capacità di generare nuove informazioni da diversi dataset che includevano soggetti con diversi tipi di corpo e tipi di attività.
2. I modelli generativi latenti includono due parti fondamentali – un modello di compressione e un modello di generazione – e il team dimostra che sono molto flessibili.
3. Questo sistema facilita l’utilizzo di modelli generativi in diverse applicazioni di imaging medico. Il team ha dimostrato che possono essere applicati per rilevare dati di imaging 3D che escono dalla norma.
4. Utilizzando il metodo di sovra-risoluzione Stable Diffusion 2.0, hanno anche esplorato il potenziale dei modelli generativi per la sovra-risoluzione. I risultati mostrano che i modelli generativi sono utili per applicazioni di sovra-risoluzione, in particolare per modelli 3D.
5. Il team ha anche testato il funzionamento del loro modello con foto ad alta risoluzione. Per fare ciò, hanno confrontato le foto del set di test con le rispettive immagini di riferimento. Queste misure confermano le superiori capacità di sovra-risoluzione del modello, dimostrando la sua efficienza nel migliorare la chiarezza delle immagini.

In futuro, i ricercatori prevedono di migliorare il supporto per altre applicazioni come la ricostruzione dell’MRI e di incorporare modelli più recenti per facilitare il confronto tra i modelli. Grazie a questi sviluppi, il campo dei modelli generativi medici e le sue applicazioni continueranno ad avanzare.