Exploración de técnicas de semi-supervised learning para la clasificación de células de sangre periférica
Mediante el procesamiento de imágenes digitales, el aprendizaje automático y las herramientas de aprendizaje profundo, se ha logrado crear una base de datos de imágenes de células de muestras de frotis de sangre periférica de un periodo de 9 años. Con este y otros conjuntos de datos tan grandes y co...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/132289 |
| Acceso en línea: | http://hdl.handle.net/10609/132289 |
| Access Level: | acceso abierto |
| Palabra clave: | inteligencia artificial machine learning red neuronal convolucional intel·ligència artificial xarxa neuronal convolucional artificial intelligence convolutional neural network Artificial intelligence -- TFM Intel·ligència artificial -- TFM Inteligencia artificial -- TFM |
| Sumario: | Mediante el procesamiento de imágenes digitales, el aprendizaje automático y las herramientas de aprendizaje profundo, se ha logrado crear una base de datos de imágenes de células de muestras de frotis de sangre periférica de un periodo de 9 años. Con este y otros conjuntos de datos tan grandes y con tanta información, puede ser difícil lograr encontrar el algoritmo de machine learning capaz de analizar y clasificar la información con el menor consumo de recursos y obteniendo los mejores resultados. Este trabajo final de máster utiliza técnicas de semi-supervised learning para minimizar la problemática y mejorar la precisión de clasificación respecto a otras técnicas como las Redes Neuronales Convolucionales. Como resultado del estudio se han generado dos modelos de redes neuronales, una Red Neuronal Convolucional que permite la clasificación de las imágenes con una precisión del 95%, y una red neuronal profunda que utiliza codificadores automáticos y una capa densa para identificar cada célula con una precisión del 96%. Estos resultados evidencian la utilidad de técnicas de semi-supervised learning en la clasificación y análisis de datos sin etiquetar, y pueden dar pie a un mejor entendimiento del funcionamiento y aplicabilidad de las redes neuronal en cualquier campo de la bioinformática. |
|---|