Udoskonalanie małych zbiorów danych do segmentacji obrazów medycznych

W dzisiejszych czasach modele uczenia maszynowego znajdują zastosowanie w coraz to szerszych dziedzinach ludzkiego życia. Przy coraz większej ilości gromadzonych danych problemem stają się czas i zasoby potrzebne do właściwego ich etykietowania. W dziedzinach takich jak medycyna nierzadko właściwie etykietowanie danych wymaga zaawansowanej wiedzy eksperckiej i z uwagi na ograniczone zasoby często nie jest w stanie być w pełni zrealizowane. Niniejsza praca skupia się na ocenie efektywności pewnych strategii pozwalających wyselekcjonować szczególne dane do etykietowania, oraz wykorzystywać te nie etykietowane w celu ulepszania jakości modeli, służących do segmentacji jąder komórkowych na zdjęciach medycznych.

Nowadays, the popularity of machine learning models is rapidly growing in every aspect of human life. With more and more data being collected, the time and resources needed to properly label them become a problem. In areas such as medicine, proper data labeling often requires advanced expert knowledge and, due to limited resources, it is often not able to be fully accomplished. This work focuses on evaluating the effectiveness of certain strategies to select specific data for labeling, as well as using unlabeled data to improve the quality of models for nuclei segmentation in medical images.