Aprendizaje federado aplicado al diagnóstico de tumores mamarios en imágenes de ultrasonido
En el campo de la medicina, el aprendizaje automático se erige como una herramienta poderosa y eficaz en la automatización de la tarea del diagnóstico por imagen, mediante la creación de modelos informáticos predictivos. Para lograr resultados con un alto grado de fiabilidad, dichos modelos requiere...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Recursos: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/14232 |
| Acesso em linha: | https://hdl.handle.net/20.500.14468/14232 |
| Access Level: | acceso abierto |
| Palavra-chave: | 1203.04 Inteligencia artificial Deep Learning federated learning image segmentation breast ultrasound imaging breast cancer detection TensorFlow |
| Resumo: | En el campo de la medicina, el aprendizaje automático se erige como una herramienta poderosa y eficaz en la automatización de la tarea del diagnóstico por imagen, mediante la creación de modelos informáticos predictivos. Para lograr resultados con un alto grado de fiabilidad, dichos modelos requieren de grandes volúmenes de datos para su aprendizaje, característica poco frecuente en contextos reales, pues organismos e instituciones médicas, individualmente, no suelen disponer de tales cantidades de información. Idealmente, ésta podría ser compartida y cedida mutuamente en busca de un fin común, pero esto resulta altamente improbable, dadas las regulaciones imperantes en la actualidad en torno a la propiedad intelectual y la privacidad de datos médicos de pacientes. A fin de superar tales escollos, surge el paradigma del aprendizaje federado (federated learning). En este Trabajo Fin de Master, aplicamos dicho paradigma en un caso de aplicación concreto (detección de tumores mamarios en imágenes de ultrasonidos), empleando tecnología y técnicas específicas de federación (la librería TensorFlow Federated; la agregación federada estándar, Federated Average, y variantes de la misma), con las que entrenamos modelos predictivos sobre diferentes combinaciones de datasets. Evaluaremos la idoneidad y eficacia de dichos modelos federados, tanto por sí mismos como en comparación con resultados análogos derivados de un aprendizaje clásico. Exponemos que el aprendizaje federado puede alcanzar, bajo ciertas configuraciones, cotas de eficacia similares a las de un aprendizaje clásico. El presente documento se articula, primero, con la introducción de los conceptos clave tocantes al propio caso de estudio: el problema a resolver en cuestión (segmentación de imágenes de ultrasonido), los aspectos concretos del aprendizaje automático que han ayudado a resolverlo (modelo de aprendizaje profundo, una red neuronal convolutiva U-Net) y profundizaremos en los fundamentos del paradigma de aprendizaje federado. Posteriormente, se detallará la metodología aplicada durante el desarrollo del proyecto y se expondrán los resultados derivados del mismo. Finalmente, abordaremos las conclusiones de dichos resultados, así como las limitaciones y posibles mejoras en el ámbito del presente trabajo y del aprendizaje federado, en particular. |
|---|