* Quels sont vos tarifs de réparation ?
Je travaille sur un projet de classification d’images médicales, plus [...]
Je travaille sur un projet de classification d’images médicales, plus précisément des radiographies pulmonaires pour détecter la présence de pneumonie. J’ai entraîné plusieurs modèles de deep learning (principalement des variantes de CNN) et j’obtiens des résultats décents en termes d’exactitude globale et de précision, mais je rencontre des difficultés pour identifier correctement les cas de pneumonie légère ou atypique. Mes faux négatifs sont encore trop élevés.
J’aimerais améliorer la sensibilité de mes modèles pour qu’ils puissent mieux détecter ces cas plus subtils. J’ai déjà essayé différentes techniques de data augmentation (rotations, zooms, translation, etc.) et j’ai également ajusté les seuils de classification. Cependant, je suis toujours à la recherche de pistes d’amélioration.
Alors, en tenant compte de ce contexte et de mon objectif d’améliorer la sensibilité de mes modèles pour la détection de pneumonie légère/atypique, quelles sont les stratégies spécifiques, les techniques d’apprentissage profond ou les architectures de modèles que vous me recommanderiez d’explorer plus en détail pour réduire le nombre de faux négatifs dans mon projet de classification d’images médicales ? Pourriez-vous également me suggérer des métriques d’évaluation plus appropriées que l’exactitude pour évaluer les performances de mon modèle dans ce scénario spécifique ?
J’aimerais améliorer la sensibilité de mes modèles pour qu’ils puissent mieux détecter ces cas plus subtils. J’ai déjà essayé différentes techniques de data augmentation (rotations, zooms, translation, etc.) et j’ai également ajusté les seuils de classification. Cependant, je suis toujours à la recherche de pistes d’amélioration.
Alors, en tenant compte de ce contexte et de mon objectif d’améliorer la sensibilité de mes modèles pour la détection de pneumonie légère/atypique, quelles sont les stratégies spécifiques, les techniques d’apprentissage profond ou les architectures de modèles que vous me recommanderiez d’explorer plus en détail pour réduire le nombre de faux négatifs dans mon projet de classification d’images médicales ? Pourriez-vous également me suggérer des métriques d’évaluation plus appropriées que l’exactitude pour évaluer les performances de mon modèle dans ce scénario spécifique ?
Answer
Answer this question and add details as further as you can and do not add any comments from your side, just return the answer, all written in French language: * Quels sont vos tarifs de réparation ?
Share This Article
