Modelos de IA generativa podrían encontrar aplicación en TC de rayos X de dosis baja y resonancia magnética acelerada

Los modelos de difusión son un tipo de modelos generativos profundos que tienen mucho éxito en aplicaciones como la generación de imágenes y la síntesis de audio, así como en imágenes médicas y diseño de moléculas. Los modelos de difusión están diseñados para aprender la distribución de los datos, lo cual es importante para descifrar datos complejos y a gran escala del mundo real. Actualmente, existen varias limitaciones con respecto a las aplicaciones prácticas de los modelos de difusión. Por ejemplo, el entrenamiento y la inferencia de modelos de difusión requieren un uso intensivo de datos y son computacionalmente exigentes, lo que limita su uso en varias disciplinas científicas. Las imágenes generadas en imágenes médicas del mundo real son siempre de alta resolución y alta dimensión, mucho más allá de lo que pueden gestionar los modelos de difusión existentes en términos de memoria y eficiencia de tiempo. Además, los modelos de difusión tienen un tiempo de inferencia indeseablemente largo debido al procedimiento de muestreo iterativo.

El equipo de investigación de Ingeniería de Michigan de la Universidad de Michigan (Ann Arbor, MI, EUA) está trabajando en el desarrollo de modelos de difusión nuevos y más eficientes que puedan superar las limitaciones actuales. El equipo se centra en examinar cómo se pueden aplicar los modelos de difusión a problemas inversos, que es cuando se utiliza un conjunto de observaciones para determinar los factores que generaron los resultados. El equipo está trabajando para mejorar la aplicabilidad práctica y la interpretabilidad matemática de los modelos de difusión mediante el desarrollo de nuevos diseños de arquitectura e incrustaciones latentes.

Los investigadores también están desarrollando nuevas técnicas para mejorar la eficiencia del entrenamiento y el muestreo de los modelos de difusión. Están trabajando para crear modelos de difusión computacionalmente eficientes para datos de alta dimensión que podrían mejorar aún más la eficiencia de los datos, la memoria y el tiempo. Esto podría mejorar significativamente aplicaciones como las imágenes biomédicas de alta resolución y altas dimensiones, así como la predicción del movimiento basada en imágenes dinámicas de alta dimensión.

"Los modelos generativos son uno de los temas más candentes en el aprendizaje automático en este momento y estoy entusiasmado de tener la oportunidad de investigar su potencial para resolver problemas inversos, especialmente en imágenes médicas", dijo Fessler, profesor colegiado William L. Root de EECS. "Esperamos aplicar los métodos desarrollados en este proyecto a aplicaciones de imágenes médicas en 3D a gran escala, como la TC de rayos X de baja dosis y la resonancia magnética acelerada".

Enlaces relacionados:
Universidad de Michigan