Detección y clasificación de células anormales de sangre periférica usando técnicas de N-Shot Learning

Abstract

Mediante el uso de tecnologías Machine Learning para el procesado digital de imágenes es posible desarrollar aplicaciones que clasifiquen imágenes en diferentes categorías. En este trabajo fin de máster se han implementado modelos de Deep Learning del tipo n-shot learning para la clasificación de imágenes de sangre periférica. Estas técnicas son adecuadas cuando no se dispone de suficiente muestra para el entrenamiento. En concreto, se ha desarrollado una red siamesa que comprueba si dos imágenes diferentes corresponden al mismo tipo de célula y una red five-shot que clasifica leucocitos en sanos y afectados por linfoma de Burkkit. Se desarrollaron dos modelos en PyTorch y Fast.ai obteniendo tasas de acierto superiores al 75% y 85% respectivamente. La conclusión del trabajo es que las técnicas few-shot son un buen enfoque cuando no se dispone de suficiente muestra para aplicar técnicas convencionales.

Using Machine Learning technologies for digital image processing, it is possible to develop applications able to classify images between different categories. In this master's thesis, Deep Learning models of the n-shot learning type have been implemented for the classification of peripheral blood images. These techniques are suitable when not enough sample is available for the training process. A Siamese Network has been developed for checking if two different images correspond to the same cell type. A five-shot network has been developed to classify leukocytes between healthy and affected by Burkkit's Lymphoma. Both models were developed in PyTorch and Fast.ai obtaining success rates higher than 75% and 85% respectively. The conclusion of the work is that few shot techniques are a good approach when not enough sample is available to apply conventional techniques.

Mitjançant l'ús de tecnologies Machine Learning per al processat digital d'imatges és possible desenvolupar aplicacions que classifiquen imatges en diferents categories. En aquest treball fi de màster s'han implementat models de Deep Learning del tipus n-shot learning per a la classificació d'imatges de sang perifèrica. Aquestes tècniques són adequades quan no es disposa de suficient mostra per a l'entrenament. En concret, s'ha desenvolupat una xarxa siamesa que comprova si dues imatges diferents corresponen a el mateix tipus de cèl·lula i una xarxa five-shot que classifica leucòcits en sans i afectats per limfoma de Burkkit. Es van desenvolupar dos models en PyTorch i Fast.ai obtenint taxes d'encert superiors a l'75% i 85% respectivament. La conclusió de la feina és que les tècniques few-shot són un bon enfocament quan no es disposa de suficient mostra per aplicar tècniques convencionals.