Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/146009
Título : | Comparison of different neural network architectures for automatic classification of peripheral blood cell images |
Autoría: | Foix Romero, Anna |
Tutor: | Alférez, Santiago |
Resumen : | La clasificación de los tipos de células sanguíneas en las imágenes del microscopio es un problema clave en la atención sanitaria. La morfología tradicional de los microscopios de células es costosa y propensa a errores, por lo que su automatización es un área de investigación muy popular. Esta tesis realiza un análisis comparativo de seis técnicas diferentes de aprendizaje profundo para clasificar diferentes tipos de células sanguíneas, con el fin de identificar la arquitectura de mejor rendimiento; también examina el impacto del tamaño de los datos de entrenamiento en la calidad de cada arquitectura, para estudiar cómo se pueden utilizar estas arquitecturas manteniendo el conjunto de datos de entrenamiento pequeño. Comprobamos que, sin preentrenamiento, ResNet es la arquitectura más exitosa en términos de precisión y robustez con conjuntos de datos pequeños, logrando una precisión del 95,9% en el conjunto de datos más grande y una precisión del 79,1% en un conjunto de datos muy pequeño; MobileNetV3 logra un rendimiento aún mayor del 97,1% en el conjunto de datos más grande, pero se rompe en el conjunto de datos muy pequeño. Con el preentrenamiento, ConvNeXt obtiene el mejor rendimiento en el conjunto de datos muy pequeño, con una precisión del 87,8%. |
Palabras clave : | aprendizaje profundo imágenes biomédicas inteligencia artificial |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 16-jun-2022 |
Licencia de publicación: | http://creativecommons.org/licenses/by/3.0/es/ |
Aparece en las colecciones: | Trabajos finales de carrera, trabajos de investigación, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
afoixrFMDP0622report.pdf | Report of TFM | 4,23 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons