Please use this identifier to cite or link to this item:

http://hdl.handle.net/10609/91366
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBorràs Ros, Jan-
dc.date.accessioned2019-02-05T09:27:36Z-
dc.date.available2019-02-05T09:27:36Z-
dc.date.issued2019-01-
dc.identifier.urihttp://hdl.handle.net/10609/91366-
dc.description.abstractEn aquest treball es vol entrenar una Xarxa neuronal convolucional amb capacitatper classificar 8 tipus de teixits propis de la histologia del càncer de còlon. Posteriorment es provarà l'eficàcia de l'algoritme per classificar les regions d' unes imatges obtingudes de biòpsies de pacients amb càncer colorrectal. Per construir la Xarxa Convolucional s'ha emprat el llenguatge de programació Python mitjançant la llibreria de funcions PyTorch desenvolupada i mantinguda per Facebook Inc. Conjuntament amb PyTorch s'ha utilitzat la llibreria de funcions Fastai, que permet aplicar diferents bones pràctiques mitjançant PyTorch. Les bones pràctiques són mètodes que s'apliquen a la Xarxa Convolucional per tal de millorar l'exactitud final i que han estat desenvolupats per altres investigadors en l'aplicació d'altres models de Xarxa Neuronal Convolucional.ca
dc.description.abstractIn the present study the main target is to train a Convolutional Neural Network with the capacity to classify 8 different colorrectal cancer tissue types from cancer histology. After that we tested the performance of the algorithm to classify the regions of real biopsy images obtained from colorrectal cancer patients. To build the Convolutional Network we have used Python with PyTorch library, developed and mantained by Facebook Inc. Altogether with PyTorch we have used Fastai library which allows to use a set of functions to test good practices with the aim to improve final accuracy. This good practices methods have been developed by other researchers in the application of other Convolutional Neural Network models.en
dc.description.abstractEn este trabajo se quiere entrenar una Red neuronal convolucional con capacitatper clasificar 8 tipos de tejidos propios de la histología del cáncer de colon. Posteriormente se probará la eficacia del algoritmo para clasificar las regiones de unas imágenes obtenidas de biopsias de pacientes con cáncer colorrectal. Para construir la Red Convolucional se ha empleado el lenguaje de programación Python mediante la librería de funciones PyTorch desarrollada y mantenida por Facebook Inc. Conjuntamente con PyTorch se ha utilizado la librería de funciones Fastai, que permite aplicar diferentes buenas prácticas mediante PyTorch. Las buenas prácticas son métodos que se aplican en la Red Convolucional para mejorar la exactitud final y que han sido desarrollados por otros investigadores en la aplicación otros modelos de Red Neuronal Convolucional.es
dc.format.mimetypeapplication/pdf-
dc.language.isocat-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.rightsGNU Free Documentation License.-
dc.rights.urihttp://www.gnu.org/copyleft/fdl.html-
dc.subjectredes neuronales convolucionaleses
dc.subjectxarxes neuronals convolucionalsca
dc.subjectconvolutional neural networken
dc.subjectPyTorchca
dc.subjectPyTorches
dc.subjectPyTorchen
dc.subjectcàncer colorrectalca
dc.subjectcáncer colorrectales
dc.subjectcolorectal canceren
dc.subject.lcshBioinformatics -- TFMen
dc.titleClassificació automatitzada d'imatges histològiques mitjançant una xarxa neuronal convolucional. Una aplicació per al tractament del càncer colorrectal-
dc.typeinfo:eu-repo/semantics/masterThesis-
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacBioinformàtica -- TFMca
dc.subject.lcshesBioinformática -- TFMes
dc.contributor.tutorAlférez Baquero, Edwin Santiago-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
jborrasrosTFM0119memoria.pdfMemòria del TFM7.81 MBAdobe PDFView/Open

Items in repository are protected by copyright, with all rights reserved, unless otherwise indicated.