Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/91330
Título : Applying deep learning/GANs to histology image for data augmentation: a general study
Autoría: Martinez Garcia, Juan Pablo
Tutor: Vegas Lozano, Esteban
Yao, Jin  
Resumen : En las tareas de imagenología médica, los radiólogos realizan anotaciones con conocimiento experto sobre los datos y la tarea. Por lo tanto, las imágenes de histología son especialmente difíciles de recopilar, ya que son caras, requieren mucho tiempo y la información no siempre se puede divulgar para la investigación. Para abordar todos estos problemas, el aumento de datos es una solución popular. El aumento de datos consiste en generar nuevas muestras de entrenamiento a partir de las existentes, aumentando el tamaño del conjunto de datos. Cuando se aplica cualquier tipo de red neuronal artificial, el tamaño de la capacitación es un factor clave para tener éxito. especialmente cuando se emplean algoritmos supervisados ¿¿de aprendizaje automático que requieren datos etiquetados y grandes ejemplos de capacitación. Presentamos un método para generar imágenes médicas sintéticas utilizando redes de adversarios generativos de aprendizaje profundo recientemente presentadas. Además, mostramos que las imágenes histológicas generadas pueden usarse para el aumento de datos sintéticos y mejorar el rendimiento de CNN para la clasificación de imágenes médicas. La GAN es una técnica de aprendizaje automático no supervisada en la que una red genera candidatos (generativos) y la otra los evalúa (discriminativos) para generar una nueva muestra como la original. En nuestro caso, nos enfocaremos en un tipo de GAN llamada Red Convolucional Generativa de Convolución Profunda (DCGAN) donde la arquitectura CNN se usa en ambas redes y el discriminador está revirtiendo el proceso creado por el generador. Por último, aplicaremos esta técnica, para el aumento de datos, con dos conjuntos de datos diferentes: imagen de histología de tejido mamario y hueso estrecho. Para verificar el resultado, clasificaremos las imágenes sintéticas con un CNN pre-entrenado con imágenes reales y etiquetado por un especialista.
Palabras clave : GAN
aprendizaje profundo
histología
datos de aumento
Tipo de documento: info:eu-repo/semantics/masterThesis
Fecha de publicación : ene-2018
Licencia de publicación: http://creativecommons.org/licenses/by-nc-nd/3.0/es/  
Aparece en las colecciones: Trabajos finales de carrera, trabajos de investigación, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
PEC 4 JUAN PABLO GARCIA MARTINEZ TFM v4.docx8,69 MBMicrosoft Word XMLVisualizar/Abrir
jgarciamartinez0123TFM0119memoria.pdfMemoria en PDF del TFM8,95 MBAdobe PDFVista previa
Visualizar/Abrir