Detección del carcinoma de glándula mamaria mediante termografía infrarroja usando redes neuronales profundas
El objetivo principal de este trabajo es la evaluación de una red neuronal convolucional que facilite la detección precoz del cáncer de mama utilizando imágenes de termografía infrarroja. En la literatura se han presentado resultados satisfactorios en estudios previos utilizando otros algoritmos. Lo...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/90045 |
| Acesso em linha: | http://hdl.handle.net/10609/90045 |
| Access Level: | acceso abierto |
| Palavra-chave: | breast cancer termography deep neuronal network cáncer de mama termografía red neuronal profunda càncer de mama termografia xarxa neuronal profunda Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Resumo: | El objetivo principal de este trabajo es la evaluación de una red neuronal convolucional que facilite la detección precoz del cáncer de mama utilizando imágenes de termografía infrarroja. En la literatura se han presentado resultados satisfactorios en estudios previos utilizando otros algoritmos. Los principales retos de la utilización de redes neuronales son dos, disponer de un gran número de imágenes y el tiempo de procesamiento. El planteamiento es utilizar las funciones de alto nivel implementadas en la librería fast.ai, sobre la plataforma Pytorch, que han obtenido resultados excelentes en la clasificación de imágenes, tal como lo avalan sus éxitos en las competiciones de Kaggle, referencia mundial en las tecnologías Machine Learning. Las imágenes se organizaron en los tres grupos habituales: training, validation y test; lo que nos permitió contrastar los resultados utilizando diferentes arquitecturas pre-entrenadas (resnet18, resnet34, resnet50, resnet152, vgg16 y vgg19) permitiendo agilizar el tiempo de procesamiento, y valorar su clasificación mediante matrices de confusión, obteniendo el mejor resultado con resnet34, con un accuracity en el test de 0.985. |
|---|