Exploración de técnicas de semi-supervised learning para la clasificación de células de sangre periférica

Abstract

Mediante el procesamiento de imágenes digitales, el aprendizaje automático y las herramientas de aprendizaje profundo, se ha logrado crear una base de datos de imágenes de células de muestras de frotis de sangre periférica de un periodo de 9 años. Con este y otros conjuntos de datos tan grandes y con tanta información, puede ser difícil lograr encontrar el algoritmo de machine learning capaz de analizar y clasificar la información con el menor consumo de recursos y obteniendo los mejores resultados. Este trabajo final de máster utiliza técnicas de semi-supervised learning para minimizar la problemática y mejorar la precisión de clasificación respecto a otras técnicas como las Redes Neuronales Convolucionales. Como resultado del estudio se han generado dos modelos de redes neuronales, una Red Neuronal Convolucional que permite la clasificación de las imágenes con una precisión del 95%, y una red neuronal profunda que utiliza codificadores automáticos y una capa densa para identificar cada célula con una precisión del 96%. Estos resultados evidencian la utilidad de técnicas de semi-supervised learning en la clasificación y análisis de datos sin etiquetar, y pueden dar pie a un mejor entendimiento del funcionamiento y aplicabilidad de las redes neuronal en cualquier campo de la bioinformática.

Through digital image processing, machine learning and deep learning tools, a database of cell images of peripheral blood smear samples from a period of 9 years. With this and other such large data sets and with so much information, it can be difficult to find the machine learning algorithm capable of analysing and classifying the information with the least consumption of resources and obtaining the best results. This final master's thesis uses semi-supervised learning techniques to minimize problems and improve the classification of these samples with respect to other techniques such as Convolutional Neural Networks. As a result of the study, two models of neural networks have been generated, a Convolutional Neural Network that allows the classification of images with a precision of 95%, and a deep neural network that uses autoencoders and a dense layer to identify each cell with a 96% accuracy. These results show the usefulness of semi-supervised learning techniques in the classification and analysis of unlabelled data, and may lead to a better understanding of the functioning and applicability of neural networks in any field of Bioinformatics.

Mitjançant el processament d'imatges digitals, l'aprenentatge automàtic i les eines d'aprenentatge profund, s'ha aconseguit crear una base de dades d'imatges de cèl·lules de mostres de frotis de sang perifèrica d'un període de 9 anys. Amb aquest i altres conjunts de dades tan grans i amb tanta informació, pot ser difícil aconseguir trobar l'algoritme de machine learning capaç d'analitzar i classificar la informació amb el menor consum de recursos i obtenint els millors resultats. Aquest treball final de màster utilitza tècniques de semi-supervised learning per minimitzar la problemàtica i millorar la precisió de classificació respecte a altres tècniques com les Xarxes Neuronals convolucionals. Com a resultat de l'estudi s'han generat dos models de xarxes neuronals, una Xarxa Neuronal convolucional que permet la classificació de les imatges amb una precisió de l'95%, i una xarxa neuronal profunda que utilitza codificadors automàtics i una capa densa per identificar cada cèl·lula amb una precisió de l'96%. Aquests resultats evidencien la utilitat de tècniques de semi-supervised learning a la classificació i anàlisi de dades sense etiquetar, i poden donar peu a un millor enteniment de l'funcionament i aplicabilitat de les xarxes neuronal en qualsevol camp de la bioinformàtica.