Empreu aquest identificador per citar o enllaçar aquest ítem:
http://hdl.handle.net/10609/100086
Títol: | Deep Learning para la generación de imágenes histopatológicas realistas mediante aritmética de vectores conceptuales |
Autoria: | Fernández Blanco, Rubén |
Tutor: | Reverter, Ferran Vegas Lozano, Esteban |
Resum: | Les tècniques de Deep Learning, i especialment les Xarxes Neuronals convolucionals (CNNs), han trobat un gran camp d'aplicació en l'àmbit de la imatge mèdica. Aquests mètodes es mostren molt adequats per a la classificació o detecció de diferents condicions mèdiques, en tasques de segmentació d'òrgans, cèl·lules o altres característiques visuals importants per al diagnòstic de patologies a partir d'imatges. Fins a l'aparició de les Xarxes generatives antagòniques la utilització d'algoritmes de Deep Learning per a l'anàlisi d'imatges mèdiques se centrava en mètodes d'aprenentatge supervisat. Aquest tipus d'entrenament implica la utilització d'una gran quantitat de dades etiquetades i / o segmentades. Aquest aspecte és especialment rellevant quan es tracta d'imatges histològiques (imatges de l'estructura microscòpica dels teixits), que poden contenir milers o desenes de milers de cèl·lules, el que fa que, etiquetar aquestes dades sigui una tasca molt exhaustiva i subjectiva fins i tot per patòlegs experts. Les Xarxes generatives antagòniques poden ser en certs casos simplement una alternativa amb alguns avantatges respecte als mètodes supervisats però en altres casos la seva contribució va més enllà i demostren ser útils també a l'hora d'ajudar els mètodes supervisats a superar les seves pròpies limitacions. La principal motivació per a aquest treball és abordar l'eventual problemàtica de la manca de dades adequadament etiquetades, oferint un procés mitjançant el qual sigui possible generar imatges realistes en què, a diferència dels processos habituals d'augment de dades, siguem capaços d'integrar característiques que siguin del nostre interès en les mostres generades. Els mètodes habituals com rotacions, voltejos, retallades o distorsions ens ofereixen una quantitat limitada de variació al voltant de les imatges originals i sobre les que tenim poc control. Generant noves mostres mitjançant l'aplicació d'operacions aritmètiques es podria augmentar la riquesa de les dades permetent-nos conèixer, o almenys acotar, la classe d'imatge generada. |
Paraules clau: | aprenentatge profund xarxes generatives antagòniques histopatologia aritmètica de vectors conceptuals |
Tipus de document: | info:eu-repo/semantics/masterThesis |
Data de publicació: | jun-2019 |
Llicència de publicació: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Apareix a les col·leccions: | Trabajos finales de carrera, trabajos de investigación, etc. |
Arxius per aquest ítem:
Arxiu | Descripció | Mida | Format | |
---|---|---|---|---|
rufernandezTFM0719memoria.pdf | Memoria del TFM | 25,58 MB | Adobe PDF | Veure/Obrir |
Comparteix:
Aquest ítem està subjecte a una llicència de Creative Commons Llicència Creative Commons