Detección y clasificación de células normales de la sangre periférica usando aprendizaje profundo
Mediante la utilización de herramientas de procesamiento digital de imágenes, se pueden extraer descriptores cuantitativos de las células en la sangre periférica, que a través de técnicas de Machine Learning (M.L) y Deep Learning (D.L.) permite diferenciar de forma automática y objetiva los tipos de...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/107806 |
| Acesso em linha: | http://hdl.handle.net/10609/107806 |
| Access Level: | acceso abierto |
| Palavra-chave: | aprendizaje profundo clasificación de imágenes detección de objetos aprenentatge profund classificació d'imatges detecció d'objectes image classification object detection deep learning Machine learning -- TFM Aprenentatge automàtic -- TFM Aprendizaje automático -- TFM |
| Resumo: | Mediante la utilización de herramientas de procesamiento digital de imágenes, se pueden extraer descriptores cuantitativos de las células en la sangre periférica, que a través de técnicas de Machine Learning (M.L) y Deep Learning (D.L.) permite diferenciar de forma automática y objetiva los tipos de células. En este TFM se entrena mediante redes neuronales convolucionales (CNN) un sistema de detección y clasificación de células normales de la sangre que, al ingresar una imagen, detecta las células principales y luego permite recortar los leucocitos y clasificarlos según el tipo. Para conseguir una mayor eficiencia y superar las dificultades que se presentan en las tareas de detección y clasificación, sobre todo en la determinación de descriptores que son realizados de forma artesanal, se aborda el problema con el uso de las arquitecturas de redes neuronales convolucionales con lo cual estos descriptores se obtienen de forma automática. Para el desarrollo del clasificador se entrenó una red desde cero con un accuracy de 0.862 y un val_acuraccy de 0.858. También se entrenaron modelos como VGG16 y Mobile y se compararon los resultados. Se emplearon en ambos entrenamientos la arquitectura de Keras con Tensorflow como backend con las últimas versiones. Para el entrenamiento del detector se utilizó la arquitectura YOLO con la librería especializada ImageAI en detección de objetos y se ha obtenido un excelente desempeño. Estos desarrollos tienen diversas aplicaciones en los campos de la bioinformática, y pueden dar las bases para que luego con la aplicación de metodologías similares a las propuestas en este TFM, se entrenen CNN para identificación de patologías a partir de la clasificación y detección de células anormales en la sangre. |
|---|