200 research outputs found
Folded: A toolkit to describe mammalian herbivore dentition from 2D images
No full textAbstract Dental morphology is a major aspect of ecological and evolutionary studies of both extant and fossil mammalian species. Mammalian dentitions are diverse feeding systems that can be defined through continuous numerical descriptors of the enamel pattern. We developed a comprehensive toolkit to quantify complex occlusal enamel patterns from two‐dimensional images of herbivore mammals, widespread in the scientific literature, in form of three novel enamel complexity descriptors: two‐dimensional orientation patch count (2D OPC), enamel folding (EF), and enamel thickness (ET). Previously proposed parameters such as occlusal enamel index or indentation index are implemented as well. The current method is devised for extracting continuous variables of enamel complexity from macro and microherbivore mammalian species with conspicuous wear facets. A general case study is proposed using two clades within the Family Rhinocerotidae containing species regarded as hypsodonts. The results show that antagonist dental adaptations were achieved through disparate evolutionary strategies in both groups. To test the robustness of this tool under different practical scenarios, other mammalian groups have been evaluated as well. Additional sensitivity analyses include the impact of image size, rotation, or differences in dental wear. Our approach differs from previous 2D techniques in its affordability, versatility, and control over individual regions within each tooth while delivering continuous numerical data. Additionally, the 2D reference images required as input are widespread in the literature and easier to process in comparison to 3D data alternatives
The role of artificial intelligence in implant dentistry: a systematic review
No full textThe aim of this systematic review was to comprehensively analyse recent studies on the application of artificial intelligence (AI) in dental implantology. The PRISMA guidelines were followed. Five databases were accessed: Scopus, Web of Science, MEDLINE/PubMed, IEEE Xplore, and JSTOR. Documents published between 2018 and October 15, 2024 relating to AI and implantology were considered. Exclusions encompassed reviews, opinion articles, books, conference references, studies using AI as a supplementary method, AI for teaching implant dentistry, and AI for implant fabrication, prothesis, or design. A total of 120 relevant papers were included. Risk of bias was assessed using PROBAST. Findings demonstrated extensive utilization of AI in various aspects of dental implantology: guided surgery, diagnosis, classification of oral structures, bone classification, classification of dental restorations, implant classification, implant planning, and implant prognosis. Deep learning algorithms were employed in 89.2% of studies, predominantly utilizing image data (72.0% two-dimensional images and 28.0% three-dimensional images). Publications doubled in 2022 compared to the previous year and have remained consistent since. Despite growth, the field remains relatively underdeveloped. However, with advancements in technology and data quality, substantial progress is anticipated in forthcoming years. Remarkably, 11 studies were found to have a high risk of bias.This work was supported by the BIKAINTEK program of the Basque Government under Grant no. 007-B2/2021.Peer reviewe
Detección de objetos basada en Deep Learning y aplicada a vehículos autónomos
No full textEn este trabajo se han utilizado las redes neuronales profundas para el cometido de la detección
de objetos en imágenes. En concreto, el trabajo se ha desarrollado en el contexto de los vehı́culos
autónomos.
Se han entrenado y comparado tres redes Faster-RCNN para la detección de peatones partiendo
desde diferentes inicializaciones de sus parámetros para estudiar la influencia de la transferencia
del aprendizaje.
Se ha analizado un caso práctico de detección de baches en carretera. Se ha recopilado una base
de datos, partiendo de repositorios y de etiquetado manual. Se ha explorado la base de datos
para inicializar el entrenamiento de una manera más efectiva. Se ha evaluado y comparado el
rendimiento de tres modelos Faster-RCNN para la detección de baches con diferentes extractores
de caracterı́sticas.
El trabajo se ha desarrollado utilizando la librerı́a Tensorflow y los modelos se han probado en el
dispositivo Nvidia Drive PX2, el cual está diseñado para la investigación en conducción autónoma
Towards Self-Conscious AI Using Deep ImageNet Models: Application for Blood Cell Classification
No full textThe exceptional performance of ImageNet competition winners in image classification has led AI researchers to repurpose these models for a whole range of tasks using transfer learning (TL). TL has been hailed for boosting performance, shortening learning time and reducing computational effort. Despite these benefits, issues such as data sparsity and the misrepresentation of classes can diminish these gains, occasionally leading to misleading TL accuracy scores. This research explores the innovative concept of endowing ImageNet models with a self-awareness that enables them to recognize their own accumulated knowledge and experience. Such self-awareness is expected to improve their adaptability in various domains. We conduct a case study using two different datasets, PBC and BCCD, which focus on blood cell classification. The PBC dataset provides high-resolution images with abundant data, while the BCCD dataset is hindered by limited data and inferior image quality. To compensate for these discrepancies, we use data augmentation for BCCD and undersampling for both datasets to achieve balance. Subsequent pre-processing generates datasets of different size and quality, all geared towards blood cell classification. We extend conventional evaluation tools with novel metrics—“accuracy difference” and “loss difference”—to detect overfitting or underfitting and evaluate their utility as potential indicators for learning behavior and promoting the self-confidence of ImageNet models. Our results show that these metrics effectively track learning progress and improve the reliability and overall performance of ImageNet models in new applications. This study highlights the transformative potential of turning ImageNet models into self-aware entities that significantly improve their robustness and efficiency in various AI tasks. This groundbreaking approach opens new perspectives for increasing the effectiveness of transfer learning in real-world AI implementations
Detección de objetos basada en Deep Learning y aplicada a vehículos autónomos
No full textEn este trabajo se han utilizado las redes neuronales profundas para el cometido de la detección
de objetos en imágenes. En concreto, el trabajo se ha desarrollado en el contexto de los vehı́culos
autónomos.
Se han entrenado y comparado tres redes Faster-RCNN para la detección de peatones partiendo
desde diferentes inicializaciones de sus parámetros para estudiar la influencia de la transferencia
del aprendizaje.
Se ha analizado un caso práctico de detección de baches en carretera. Se ha recopilado una base
de datos, partiendo de repositorios y de etiquetado manual. Se ha explorado la base de datos
para inicializar el entrenamiento de una manera más efectiva. Se ha evaluado y comparado el
rendimiento de tres modelos Faster-RCNN para la detección de baches con diferentes extractores
de caracterı́sticas.
El trabajo se ha desarrollado utilizando la librerı́a Tensorflow y los modelos se han probado en el
dispositivo Nvidia Drive PX2, el cual está diseñado para la investigación en conducción autónoma
Reproyección multi-vista de objetos para vehículos autónomos
No full textLa detección y reproyección de objetos 3D en imágenes monoculares ha sido poco usada
en el ámbito de la conducción autónoma debido a la gran eficacia del uso de LiDARs
(Laser Imaging Detection and Ranging). El problema con este método es el precio de
estos sistemas láser. Con el aumento de la capacidad de cómputo de tanto tarjetas gráficas
como procesadores, la tarea de reproyección usando solo las detecciones de redes neuro-
nales y cámaras calibradas está volviéndose más viable. Es por esto que se ha propuesto
un método de reproyección de detecciones 2D, realizando la calibración de un sistema
de 4 cámaras en el vehículo de testeo del centro de investigación Vicomtech. El método
se ha integrado en un diagrama RTMaps (Real Time Multisensor applications) en tiempo
real, y utilizado en el vehículo de test en diferentes demostraciones. Adicionalmente, se
ha realizado un estudio del error de reproyección utilizando una base de datos anotada y
accesible públicamente
Prototipo CAD de segmentación automática de cáncer de pulmón en imágenes histopatológicas TMA
No full textEl cáncer de pulmón es una enfermedad letal que para el 2012 se situó como la quinta causa de muerte a nivel mundial, la tercera en Europa y la primera en España con casi 20.000 nuevos casos cada año; aproximadamente el 85 % de los sujetos que padecen cáncer de pulmón, morirán por esta enfermedad. El principal obstáculo en la lucha contra esta patología es su detección tardía. El desarrollo que ha experimentado el campo de la imagen médica en aspectos como la adquisición, almacenamiento y visualización ha contribuido al mejoramiento de la calidad del análisis y diagnóstico de las diferentes patologías (entre ellas el cáncer de pulmón) convirtiéndola actualmente en un componente indispensable en medicina. En las últimas décadas, se han realizado numerosos esfuerzos para detectar de manera precoz el cáncer de pulmón mediante el desarrollo de distintas tecnologías, entre ellas los sistemas de diagnóstico asistido por computador (CAD), los cuales mediante el análisis automático de la imagen médica brindan al especialista una segunda opinión diagnostica, con el objetivo de obtener diagnósticos mas precisos que permitan formular tratamientos mas adecuados. La imagen médica histopatológica es el "gold standard. en detección temprana de la mayoría de patológicas incluido el cáncer de pulmón. La tarea de detección suele ser bastante tediosa e que implica una importante inversión de tiempo y esfuerzo por parte de los expertos en histopatología. El crecimiento de los bancos de tejidos ya ha superado las habilidades manuales de análisis disponibles. Además, la revisión de patología experta sufre variaciones ínter e intra observador. Lo anterior evidencia la gran necesidad de automatizar el análisis de imagen médica en histopatológica. En este trabajo se hace una aproximación a la detección de cáncer de pulmón en imagen médica, concretamente abordando el problema de segmentación de tejido tumoral y no tumoral sobre imágenes histopatológicas TMA, mediante el desarrollo de un prototipo de sistema de diagnóstico asistido por computador CAD
Segmentación automática de procesos neuronales en microscopı́a electrónica mediante técnicas de aprendizaje profundo
No full textEn este trabajo se han utilizado redes neuronales convolucionales para la seg-
mentación de imágenes biomédicas obtenidas mediante microscopia electrónica.
El trabajo se ha desarrollado usando la librerı́a de Keras y ayudándonos
de la herramienta Google Colaboratory para la ejecución de los modelos más
pesados computacionalmente. Se ha comenzado entrenando redes neuronales
artificiales para ir adentrándonos en el funcionamiento de la librerı́a. Después
se ha entrenado una red preentrenada, concretamente la VGG16, bloqueando
todas sus capas convolucionales y dejando alguna desbloqueada. Y finalmente
se ha modelado una red neuronal convolucional siguiendo la estructura de la red
U-Net. Esta red ha dado buenos resultados en la segmentación de imágenes y
se utiliza sobre todo en la segmentación de imágenes biomédicas.
La base de datos del caso principal, se ha obtenido de la competición lanza-
da en el International Symposium on Biomedical Imaging (ISBI) de 2012 y está
compuesta por un conjunto de cortes de microscopia electrónica para entrenar
algoritmos de aprendizaje automáticos y ası́ poder realizar la segmentación au-
tomática de neuritas
Pancreatic Phase Contrast Cell Segmentation (U-Net)
No full textDownload RDF PackageDeepImageJ compatible U-Net trained to segment phase contrast microscopy images of pancreatic stem cells on a 2D polystyrene substrate. (Uploaded via https://bioimage.io
TrakEM2 Software for Neural Circuit Reconstruction
No full textA key challenge in neuroscience is the expeditious reconstruction of neuronal circuits. For model systems such as Drosophila and C. elegans, the limiting step is no longer the acquisition of imagery but the extraction of the circuit from images. For this purpose, we designed a software application, TrakEM2, that addresses the systematic reconstruction of neuronal circuits from large electron microscopical and optical image volumes. We address the challenges of image volume composition from individual, deformed images; of the reconstruction of neuronal arbors and annotation of synapses with fast manual and semi-automatic methods; and the management of large collections of both images and annotations. The output is a neural circuit of 3d arbors and synapses, encoded in NeuroML and other formats, ready for analysis
- …
