Transferencia de aprendizaje aplicado a reconocimiento de patrones en imágenes médicas
En el presente trabajo se aplicó la técnica de transferencia de aprendizaje a la tarea de clasificación de imágenes de fondo de ojo, para la detección de retinopatía diabética utilizando un set de datos en el rango de muy pocas imágenes. La transferencia de aprendizaje se realizó utilizando las r...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2020
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/929/1/Plata_Avila.pdf |
| Aporte de: |
| Sumario: | En el presente trabajo se aplicó la técnica de transferencia de aprendizaje
a la tarea de clasificación de imágenes de fondo de ojo, para la detección
de retinopatía diabética utilizando un set de datos en el rango de muy pocas
imágenes. La transferencia de aprendizaje se realizó utilizando las redes
Xception, Inception V3 y DenseNet 169, preentrenadas con la base de datos
ImageNet. Se realizó un finetuning de los pesos, utilizando las técnicas de
dropout, regularización L2 y data augmentation para mejorar la generalización
durante el entrenamiento. Se emplearon las técnicas CAM y Guided
Grad CAM con el fin de observar las regiones de mayor importancia en las
imágenes a la hora de realizar una clasificación. Se corroboró que los criterios
aplicados por las soluciones encontradas son apropiados para este problema.
Se logró una precisión de 76% empleando imágenes de 224x224 pixeles, y
una precisión de 84% con imágenes de 448x448. A la salida de la anteúltima
capa de red y se aplicó el método de reducción de dimensionalidad t-SNE,
observando una relación entre formación de clusters en un espacio de pocas
dimensiones y un patrón diferenciable para cada categoría en la salida. Finalmente,
se calculó el área bajo la curva ROC para una base de datos de
testeo, obteniendo un valor de 0.91. |
|---|