Noticias

Equipo de investigadores IMFD y DCC UC obtiene primer lugar en competencia internacional de imágenes médicas

Mayo 2021.- La interpretación y la capacidad de resumir la información obtenida de imágenes médicas, como las de radiología, es un trabajo que requiere expertos muy capacitados, y a menudo se transforma en un cuello de botella en los procesos de diagnóstico clínico de pacientes: existe una necesidad importante de métodos automáticos que puedan aproximar este mapeo de información visual a descripciones textuales condensadas. 

En esta área, el equipo IALab / HAIvis UC, conformado por los académicos del Departamento de Ciencia de la Computación de la Universidad Católica (DCC UC), e investigadores del Instituto Milenio Fundamentos de los Datos, Hans Lobel y Denis Parra, junto a estudiantes de pre y postgrado del DCC UC, obtuvo el primer lugar en la competencia internacional Medical ImageCLEF, categoría Image Captioning – Caption Prediction, organizado por ImageCLEF, además de cuarto lugar en la categoría Concept Detection y séptimo lugar en las categorías de Tuberculosis CT analysis y Visual Question Answering.

ImageCLEF forma parte de la Conference and Labs of the Evaluation Forum (CLEF) y tiene como objetivo es entregar apoyo en la evaluación de métodos independientes para la anotación automática de imágenes con conceptos, además de métodos de recuperación de información multimodal basado en factores textuales, visuales y multilingües, comparando los efectos de los procesos en múltiples idiomas. La actividad, abierta a equipos de todo el mundo, busca incentivar métodos que permitan acceso a grandes cantidades de imágenes y datos, utilizados en escenarios como recuperación de información, machine learning, deep learning, data mining y procesamiento de imagen y video, todo esto a través de desafíos que involucren factores como la multimodalidad y búsquedas interactivas.

Para Denis Parra, académico del DCC UC y parte del Instituto Milenio Fundamento de los Datos (IMFD), este resultado es de particular mérito al ser su primera actividad como equipo:

“El equipo lo armamos en enero de este año, con casi puros alumnos de pregrado y solo dos que recién empezaron el magíster, todos con muy poca experiencia en el tema, pero con dos “entrenadores” en Pablo Pino (magister DCC UC) y Pablo Messina (doctorado DCC UC). Varios se fueron con tarea para la casa en febrero y siguieron estudiando los temas y practicando el uso de Pytorch y otras herramientas de deep learning durante las vacaciones. Desde marzo están con mucha carga de cursos en el semestre y aún así nos juntamos en marzo y abril los días viernes, compartiendo análisis de datos, discutiendo estrategias, depurando código, colaborando, etc. Es un equipo muy joven, probablemente volvamos a participar el próximo año y seguramente nos irá mejor.” señaló Parra. “Destaco que fue clave tener un servidor con 3 GPUs que compré con el Fondecyt que gané el 2019”, agregó.

En la categoría Image Captioning – Caption Prediction, el equipo debía identificar la presencia y ubicación de conceptos relevantes en un gran grupo de imágenes médicas, y la evaluación consideró métricas de cobertura establecidas, como precisión, recuperación y combinaciones de las mismas, utilizando imágenes de radiología clínica reales con anotaciones de médicos.

El equipo IALab / HAIvis UC estuvo conformado por:

  • Académicos: Hans Lobel y Denis Parra
  • Coaches senior: Pablo Pino (magíster) y Pablo Messina (doctorado)
  • Categoría Visual Question Answering: Ricardo Schilling (pregrado)
  • Categoría Image Captioning – Caption detection: Vicente Castro (pregrado)
  • Categoría Image Captioning – Concept detection: Gregory Schuit (postgrado) y Vicente Castro (pregrado)
  • Categoría Tuberculosis CT analysis: Ria Deane, Daniel Florea, José Miguel Quintana (pregrado)

Fuente: Comunicaciones DDC U.C.

More news
View : All
Annual
2021
2020
2019
2018
2017
2016
2015
Biannual
1st semester
2nd semester
Monthly
January
February
March
April
May
June
July
August
September
October
November
December
No news in this category
Show more
Nothing to show