Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética
En este documento se presenta el desarrollo de una red neuronal convolucional profunda para la clasificación de imágenes de retina con retinopatía diabética y la implementación de mapas de activaciones de clase ponderados por gradientes (Grad-CAM) a los resultados obtenidos por el modelo. El modelo...
- Autores:
-
Torres Revelo, Isabella
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/12751
- Acceso en línea:
- http://red.uao.edu.co//handle/10614/12751
- Palabra clave:
- Ingeniería Biomédica
Retinopatía diabética
Redes neuronales convolucionales
Interpretabilidad
Técnicas de explicación
Grad-CAM
Mapas de activación de clase
Deep learning
Redes neurales (Computadores)
Imágenes diagnósticas-Técnicas digitales
Artificial intelligence
Neural networks (Computer science)
Diagnostic imaging-Digital techniques
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Autónoma de Occidente
| id |
REPOUAO2_c77da16d4520473625dd4a8be78ba72b |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/12751 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| title |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| spellingShingle |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética Ingeniería Biomédica Retinopatía diabética Redes neuronales convolucionales Interpretabilidad Técnicas de explicación Grad-CAM Mapas de activación de clase Deep learning Redes neurales (Computadores) Imágenes diagnósticas-Técnicas digitales Artificial intelligence Neural networks (Computer science) Diagnostic imaging-Digital techniques |
| title_short |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| title_full |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| title_fullStr |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| title_full_unstemmed |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| title_sort |
Interpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabética |
| dc.creator.fl_str_mv |
Torres Revelo, Isabella |
| dc.contributor.advisor.none.fl_str_mv |
Paniagua Jaramillo, Jose Luis |
| dc.contributor.author.none.fl_str_mv |
Torres Revelo, Isabella |
| dc.subject.spa.fl_str_mv |
Ingeniería Biomédica Retinopatía diabética Redes neuronales convolucionales Interpretabilidad Técnicas de explicación Grad-CAM Mapas de activación de clase |
| topic |
Ingeniería Biomédica Retinopatía diabética Redes neuronales convolucionales Interpretabilidad Técnicas de explicación Grad-CAM Mapas de activación de clase Deep learning Redes neurales (Computadores) Imágenes diagnósticas-Técnicas digitales Artificial intelligence Neural networks (Computer science) Diagnostic imaging-Digital techniques |
| dc.subject.eng.fl_str_mv |
Deep learning |
| dc.subject.armarc.spa.fl_str_mv |
Redes neurales (Computadores) Imágenes diagnósticas-Técnicas digitales |
| dc.subject.armarc.eng.fl_str_mv |
Artificial intelligence Neural networks (Computer science) Diagnostic imaging-Digital techniques |
| description |
En este documento se presenta el desarrollo de una red neuronal convolucional profunda para la clasificación de imágenes de retina con retinopatía diabética y la implementación de mapas de activaciones de clase ponderados por gradientes (Grad-CAM) a los resultados obtenidos por el modelo. El modelo fue entrenado con un conjunto de imágenes de retina (aproximadamente 88.000) de alta resolución tomadas bajo diferentes condiciones de captura. Las imágenes fueron sometidas a un preprocesamiento con el objetivo de homogeneizar su tamaño y color. Además, fueron etiquetadas por expertos médicos con los cinco niveles de severidad de la enfermedad. El desempeño de la red neuronal fue evaluado por medio del cálculo de métricas estadísticas obtenidas de la matriz de confusión y con la métrica Kappa. Con esta última se obtuvo un porcentaje de acuerdo de 77% para los datos de prueba entre la clasificación dada por el modelo y la de los expertos médicos. También, con la matriz de confusión se identificaron los errores de tipo I y II cometidos por la red neuronal. Grad-CAM es una técnica de explicación que aporta información sobre las representaciones internas de los modelos de aprendizaje profundo. La aplicación de esta técnica en las imágenes de la retina resaltó regiones donde se encuentran lesiones características de la enfermedad con un mapa de calor. Estos resultados permitieron conocer los patrones y características que la red neuronal aprendió a reconocer y se comprendieron las razones por las cuales la red neuronal clasifica una imagen en un nivel de severidad determinado. Así mismo, facilitó el reconocimiento de falsos positivos y negativos en los resultados de la clasificación permitiendo que se desarrollen alternativas y mejoras al modelo de red neuronal para aumentar su desempeño y su capacidad de reconocimiento |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-12-18T19:13:48Z |
| dc.date.available.none.fl_str_mv |
2020-12-18T19:13:48Z |
| dc.date.issued.none.fl_str_mv |
2020-11-30 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.eng.fl_str_mv |
Text |
| dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.eng.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://red.uao.edu.co//handle/10614/12751 |
| url |
http://red.uao.edu.co//handle/10614/12751 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
ACEVEDO Eder; SERNA Alexei y SERNA Edgar. Principios y características de las redes neuronales artificiales. En: Desarrollo e Innovación en Ingeniería [en línea]. 2 ed. Medellín – Antioquia: Editorial IAI, 2017. 173 p. ISBN: 978-958-59127-5-5. [Consultado: 27 de julio de 2020]. Disponible en: https://www.researchgate.net/publication/331498946_Principios_y_caracteristicas_de_las_redes_neuronales_artificiales ALISEDA, D. y BERÁSTEGUI, L. Retinopatía diabética [en línea]. En: Anales del Sistema Sanitario de Navarra - Scielo. 2008, vol. 31, suppl. 3, p. 23-34. [Consultado: 16 de julio de 2019]. Disponible en Internet: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-66272008000600003&lng=es&tlng=es ÁLVAREZ TRIVIÑO, María Camila. Deep Learning Aplicado a Imágenes de Retina como Herramienta de Tamizaje en un Proceso de Diagnóstico Médico [en línea]. Trabajo de investigación Ingeniera Mecatrónica. Santiago de Cali. Universidad Autónoma de Occidente. Facultad de Ingeniería. Departamento de Automática y Electrónica, 2016. [Consultado: 10 de julio de 2019]. Disponible en Internet: Repositorio Educativo Digital UAO. http://red.uao.edu.co/handle/10614/9568 ÁLVAREZ TRIVIÑO, María Camila et. al. Deep Learning on Retina Images as Screening Tool for Diagnostic Decision Support [en línea]. En: Computer Science. Computer Vision and Pattern Recognition. Julio de 2016. [Consultado: 22 de julio de 2019]. Disponible en Internet: https://arxiv.org/ftp/arxiv/papers/1807/1807.09232.pdf AMAT, Joaquín. Árboles de predicción: random forest, gradient boosting y C5.0 [blog]. Ciencia de datos. Febrero de 2017. [Consultado: 4 de agosto de 2020]. Disponible en: https://www.cienciadedatos.net/documentos/33_arboles_de_prediccion_bagging_random_forest_boosting#Bagging AMAT, Joaquín. Máquinas de Vector Soporte (Support Vector Machines, SVMs) [blog]. Ciencia de datos. Abril de 2017. [Consultado: 03 de agosto de 2020]. Disponible en: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_vector_machines#coste_computacional_de_svm ARELI-TORAL BARRERA, Jamie. Redes Neuronales. Universidad de Guadalajara. [Consultado: 27 de julio de 2020]. Disponible en: http://www.cucei.udg.mx/sites/default/files/pdf/toral_barrera_jamie_areli.pdf BELL, Jason. Machine Learning: Hands-On for Developers and Technical Professionals [en línea]. John Wiley & Sons, 2014. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning%20Hands-On%20for%20Developers%20and%20Technical%20Professionals%20%5BBell%202014-11-03%5D.pdf BERGSTRA, James et.al. Theano: A CPU and GPU Math Compiler in Python. En: Proceedings of the 9th Python in Science Conference (SCIPY), 2010. [Consultado: 5 de agosto de 2020]. Disponible en: http://www.iro.umontreal.ca/~lisa/pointeurs/theano_scipy2010.pdf BISO, Nick. Keras Class Activation Map [blog]. Github. 9 de febrero de 2018. [Consultado: 29 de julio de 2020]. Disponible en: https://github.com/nickbiso/Keras-Class-Activation-Map BOYD, Kierstan. ¿Qué es la retinopatía diabética? [en línea]. American Academy of Ophthalmology. (4 de diciembre de 2018), párr. 1. [Consultado: 18 de julio de 2019]. Disponible en Internet: https://www.aao.org/salud-ocular/enfermedades/retinopatia-diabetica BROWNLEE, Jason. A Gentle Introduction to Pooling Layers for Convolutional Neural Networks [blog]. Machine Learning Mastery. 22 de abril de 2019. [Consultado: 4 de agosto de 2020]. Disponible en: https://machinelearningmastery.com/pooling-layers-for-convolutional-neural-networks/ CALVO, Diego. Función de activación – Redes neuronales [en línea]. Diego Calvo. (7 de diciembre de 2018). [Consultado: 1 de agosto de 2019]. Disponible en Internet: http://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/ COHEN, Jacob. Weighed kappa: Nominal scale agreement with provision for scaled disagreement or partial credit. En: Psychological Bulletin. Octubre, 1968, vol. 70, no. 4, p. 213–220. DANDY, John. Bug: inconsistency for the BatchNormalization layer between Tensorflow, CNTK and Theano backends [blog]. GitHub. [Consultado: 3 de noviembre de 2020]. Disponible en: https://github.com/keras-team/keras/issues/12957 DESPRAZ, Jérémie et. al. Exploring Internal Representations of Deep Neural Networks [en línea]. En: International Joint Conference on Computational Intelligence. Noviembre de 2017, vol. 829. p. 119-138. Springer, Cham. [Consultado: 8 de julio de 2019]. doi: https://doi.org/10.1007/978-3-030-16469-0_7 ERROZ, ARROYO, David. Visualizando neuronas en Redes Neuronales Convolucionales [en línea]. Trabajo de investigación Ingeniera Informática. Pamplona. Universidad Pública de Navarra, 2019. [Consultado: 29 de julio de 2020]. Disponible en Internet: https://academica-e.unavarra.es/bitstream/handle/2454/33694/memoria_TFG.pdf?sequence=1&isAllowed=y FALBEL, Daniel et. al. Keras Backend. [en línea]. [Consultado: 9 de julio de 2020]. Disponible en internet: https://keras.rstudio.com/articles/backend.html FERNÁNDEZ, PRADA María, LLANOS-MÉNDEZ Aurora y GÓMEZ Rebeca Isabel. Eficacia del diagnóstico asistido por ordenador aplicado al cribado de cáncer de mama [en línea]. Sevilla: Agencia de Evaluación de Tecnologías Sanitarias de Andalucía. 2013, p. 21. [Consultado: 18 de julio de20 19]. Disponible en Internet: https://www.aetsa.org/download/publicaciones/antiguas/AETSA_2013_4_Diag_Asist.pdf FLORES D. et al. Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum con Digoxina utilizando redes neuronales artificiales. En: Revista Mexicana de Ingeniería Biomédica. 2017, vol. 38, nro. 1, p. 208-216. [Consultado: 27 de julio de 2020]. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-95322017000100208#aff1 FLOREZ-LOPEZ, Raquel y FÉRNANDEZ FÉRNANDEZ José. Las redes neuronales artificiales: fundamentos teóricos y aplicaciones prácticas [en línea]. 1 ed. España: Oleiros (La Coruña): Netbiblo, 2008. [Consultado: 28 de julio de 2020]. Disponible en: https://www.worldcat.org/title/redes-neuronales-artificiales-fundamentos-teoricos-y-aplicaciones-practicas/oclc/433872848 ISBN: 978-84-9745-246-5 GONDAL, WALEED et al. Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images [en línea]. En: 2017 IEEE International Conference on Image Processing (ICIP). Septiembre de 2017, p. 2069-2073. [Consultado: 10 de julio de 2019]. doi: 10.1109/ICIP.2017.8296646 GOODFELLOW, Ian, BENGIO, Yoshua y COURVILLE, Aaron. Deep Learning [en línea]. MIT Press, 2016. [Consultado: 26 de julio de 2019]. Capítulo 9, Convolutional Networks. p. 326 - 366. Disponible en: http://www.deeplearningbook.org/ GULSHAN, V., PENG, L., CORAM, M. et. al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs [en línea]. En: Innovations in Health Care Delivery - Jama. Diciembre, 2016, vol. 316, no. 22, p. 2402-2410. [Consultado: 16 de julio de 2019]. Disponible en Internet: https://jamanetwork.com/journals/jama/fullarticle/2588763 H5PY. HDF5 for Python [sitio web]. Andrew Collette. 2014. [Consultado: 25 de junio de 2020]. Disponible en: https://docs.h5py.org/en/stable/index.html# IOFFE, Sergey, SZEGEDY Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift. En: 32nd International Conference on Machine Learning, ICML 2015, 1, 448-456. [Consultado: 14 de julio de 2020]. Disponible en: http://arxiv.org/abs/1502.03167 ISLAM, Johirul Md et. al. A Comprehensive Study on Deep Learning Bug Characteristics. En: The ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE) [en línea]. Tallinn, Estonia: Junio, 2019. [Consultado: 3 de noviembre de 2020]. Disponible en: https://arxiv.org/pdf/1906.01388.pdf JIA Xi et al. Skin Lesion Classification using Class Activation Map [en línea]. Marzo, 2017. [Consultado: 29 de julio de 2019]. Disponible en Internet: https://arxiv.org/ftp/arxiv/papers/1703/1703.01053.pdf LARRANAGA Pedro; INZA Iñaki y MOUJAHID Abdelmalik. Tema 8. Redes Neuronales. Universidad del País Vasco. Departamento de Ciencias de la Computación e Inteligencia Artificial, 2015. [Consultado: 27 de julio de 2020]. Disponible en: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf LIMA GÓMEZ Virgilio. Retinopatía diabética simplificada: la escala clínica internacional [en línea]. En: Revista del Hospital Juárez de México. 2006, vol. 73, no. 4, p. 170-174. [Consultado: 17 de julio de 2019] Disponible en Internet: http://www.medigraphic.com/pdfs/juarez/ju-2006/ju064k.pdf LISA LAB, Universidad de Montreal Theano Documentation. LÓPEZ GÁLVEZ, MI. Escala internacional de severidad de la retinopatía y del edema macular diabético [en línea]. En: Archivos de la Sociedad Española de Oftalmología – Scielo. Abril 2004, vol. 79, no. 4, p. 149-150. [Consultado: 17 de julio de 2019]. Disponible en Internet: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0365-66912004000400001&lng=es&tlng=es. LUCAS, Benjamin. Bug: Batch Normalization Initializer not used [blog]. GitHub. [Consultado: 3 de noviembre de 2020]. Disponible en: https://github.com/keras-team/keras/issues/13214 MARTINEZ HERAS, José. Regularización Lasso L1, Ridge L2 y ElasticNet [blog]. IArtificial.net. [Consultado: 5 de agosto de 2020]. Disponible en: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf MAYO FOUNDATION FOR MEDICAL EDUCATION AND RESEARCH. Retinopatía diabética [en línea]. Mayo Clinic. (20 de noviembre de 2018). [Consultado: 17 de julio de 2019]. Disponible en Internet: https://www.mayoclinic.org/es-es/diseases-conditions/diabetic-retinopathy/diagnosis-treatment/drc-20371617 MOHAMMED Mohssen, KHAN, M. B. y BASHIER, E. B. M. Machine Learning: Algorithms and Applications [en línea]. Boca Raton: CRC Press 2016. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://www.researchgate.net/publication/303806260_Machine_Learning_Algorithms_and_Applications NGIAM Jiquan et. al. Convolutional Neural Network [en línea]. Unsupervised Feature Learning and Deep Learning Tutorial. Stanford University. [Consultado: 26 de julio de 2019]. Disponible en Internet: http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/ ORGANIZACIÓN MUNDIAL DE SALUD. Ceguera y discapacidad visual [en línea]. (11 de octubre de 2018). [Consultado: 18 de julio de 2019]. Disponible en Internet: https://www.who.int/es/news-room/fact-sheets/detail/blindness-and-visual-impairment PARADZHANYAN, Levon. Demystifying Deep Learning and Artificial Intelligence [blog]. The New Stack. 8 de mayo de 2020. [Consultado: 17 de noviembre de 2020]. Disponible en: https://thenewstack.io/demystifying-deep-learning-and-artificial-intelligence/ PATEL, Savan. Machine Learning 101. Chapter 2. SVM (Support Vector Machine) – Theory [blog]. Medium. 03 de mayo de 2017. [Consultado: 03 de agosto de 2020]. Disponible en: https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72 PEÑA-REYES, Carlos Andrés. Rule and knowledge extraction from deep neural networks [video]. En: 5th Valais/Wallis AI Workshop. Idiap, Research Institute. [Consultado: 8 de julio de 2019]. 57:55 minutos. Disponible en Internet: https://www.idiap.ch/en/allnews/deep-neural-networks-remain-for-the-most-part-black-boxes PICAZO MONTOYA, Óscar. Redes Neuronales Convolucionales Profundas para el Reconocimiento de Emociones en Imágenes [en línea]. Máster Universitario en Inteligencia Artificial. Madrid: Escuela Técnica Superior de Ingenieros Informáticos. Universidad Politécnica de Madrid. 2018. [Consultado: 4 de agosto de 2020]. Disponible en: http://oa.upm.es/51441/1/TFM_OSCAR_PICAZO_MONTOYA.pdf PITA FERNÁNDEZ, S y PÉRTEGAS DÍAZ, S. Pruebas diagnósticas: Sensibilidad y especificidad. En: Cad Aten Primaria. España: 2003, vol. 10, p.120-124. [Consultado: 30 de octubre de 2020]. Disponible en: https://www.fisterra.com/mbe/investiga/pruebas_diagnosticas/pruebas_diagnosticas.asp RIVAS ASANZA Wilmer; MAZÓN OLIVO Bertha y PEÑAFIEL MEJÍA Edwin. Generalidades de las redes neuronales artificiales. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones [en línea]. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942-24-100-9. [Consultado: 28 de julio de 2020]. Disponible en: https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales SANSEVIERO, Omar. Introducción a Tensorflow (Parte 1) [blog]. Medium. 11 de marzo de 2019. [Consultado: 5 de agosto de 2020]. Disponible en: https://medium.com/ai-learners/introducci%C3%B3n-a-tensorflow-parte-1-840c01881658 SCHMIDHUBER Jürgen. Deep learning in neural networks: An overview [en línea]. En: Neural networks. Enero de 2015, vol. 61. p. 85-117. Elsevier. [Consultado: 8 de julio de 2019]. doi: https://doi.org/10.1016/j.neunet.2014.09.003 SELVARAJU Ramprasaath et. al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. En: International Journal of Computer VIsion (IJCV). Octubre, 2019. p. 336-359 [Consultado: 30 de julio de 2020]. Disponible en Internet: https://arxiv.org/abs/1610.02391 SHARMA Abhishek. What Are Saliency Maps in Deep Learning? [en línea]. En: Analytics India Magazine. Julio, 2018. [Consultado: 31 de julio de 2019]. Disponible en Internet: https://www.analyticsindiamag.com/what-are-saliency-maps-in-deep-learning/ SIMONYAN Karen; VEDALDI Andrea y ZIZZERMAN Andrew. Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps [imagen]. [Consultado: 29 de julio de 2020]. Disponible en: https://arxiv.org/pdf/1312.6034.pdf SINGHAL Deepak y SWARUP Shanti. Electricity price forecasting using artificial neural networks. En: International Journal of Electrical Power & Energy Systems. 2011, vol. 33, nro. 3, p. 550-555. [Consultado: 27 de julio de 2020]. DOI https://doi.org/10.1016/j.ijepes.2010.12.009. ISSN 0142-0615. SORIA Emilio y BLANCO Antonio. Redes neuronales artificiales. En: Autores científico-técnicos y académicos, 2007. p. 25-33. [Consultado: 28 de julio de 2020]. Disponible en: https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdf SRIVASTAVA, Nitish et.al. Dropout: A simple Way to Prevent Neural Networks from Overfitting. En: Journal of Machine Learning Research. 2014, vol. 15, p. 1929-1958. [Consultado: 5 de agosto de 2020]. Disponible en: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf TABLADA Claudio y TORRES Germán. Redes Neuronales Artificiales. En: Revista de Educación Matemática. Octubre 13 de 2009, vol. 24, nro. 3. [Consultado: 27 de julio de 2020]. Disponible en: https://revistas.unc.edu.ar/index.php/REM/article/view/10280/10979 VALVERDE Juan Miguel. Introduction to Activation Maximization and Implementation in Tensorflow [en línea]. Lipman’s Artificial Intelligence Directory. (18 de junio de 2018). [Consultado: 29 de julio de 2019]. Disponible en Internet: http://laid.delanover.com/introduction-to-activation-maximization-and-implementation-in-tensorflow/ WERNICK Miles et. al. Machine Learning in Medical Imaging [en línea]. En: IEEE signal processing magazine. Julio, 2010, vol. 27, no. 4, p. 25 – 38. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://ieeexplore.ieee.org/abstract/document/5484160 YIU, Tony. Understanding Random Forest [blog]. Towards Data Science. 12 de junio de 2019. [Consultado: 4 de agosto de 2020]. Disponible en: https://towardsdatascience.com/understanding-random-forest-58381e0602d2#:~:text=The%20random%20forest%20is%20a,that%20of%20any%20individual%20tree. ZHOU B., KHOSLA, A., LAPEDRIZA, A., OLIVA, A., TORRALBA, A. Learning Deep Features for Discriminative Localization [en línea]. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Diciembre, 2015. p.2921–2929. [Consultado: 29 de julio de 2019]. Disponible en Internet:http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_paper.pdf |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.eng.fl_str_mv |
application/pdf |
| dc.format.extent.spa.fl_str_mv |
102 páginas |
| dc.coverage.spatial.none.fl_str_mv |
Universidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Automática y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.source.spa.fl_str_mv |
instname:Universidad Autónoma de Occidente reponame:Repositorio Institucional UAO |
| instname_str |
Universidad Autónoma de Occidente |
| institution |
Universidad Autónoma de Occidente |
| reponame_str |
Repositorio Institucional UAO |
| collection |
Repositorio Institucional UAO |
| bitstream.url.fl_str_mv |
https://dspace7-uao.metacatalogo.com/bitstreams/1bfc17ae-38db-4c78-908f-b4f93354cfef/download https://dspace7-uao.metacatalogo.com/bitstreams/299f43a9-8a3e-44d0-8055-678344b4a652/download https://dspace7-uao.metacatalogo.com/bitstreams/e1ede3e2-6381-412c-9faf-cbc32738de45/download https://dspace7-uao.metacatalogo.com/bitstreams/a09f0948-3d79-4e13-aec6-d09f239fd44f/download https://dspace7-uao.metacatalogo.com/bitstreams/44005cd5-9ada-4dac-aa70-3be18c9e6a6e/download https://dspace7-uao.metacatalogo.com/bitstreams/f9f28d58-7233-48bb-beee-74e9caffd7ca/download https://dspace7-uao.metacatalogo.com/bitstreams/3d2d2387-3138-4252-b114-06bdf35a58b7/download https://dspace7-uao.metacatalogo.com/bitstreams/9d35f3c9-5016-427b-a924-5d6a6c19cf07/download |
| bitstream.checksum.fl_str_mv |
faaea6f873c1715a368d51ad6c53856c 55c7f632528328801392f2ed91ed337b a76850d474c08162d95f466337bcded5 dbd2abd7234ef42ce62e3527be6ae694 4460e5956bc1d1639be9ae6146a50347 3e635b901da6d43e5ba8a1c8f7fb3208 f5af344890746314495f04447db773f1 20b5ba22b1117f71589c7318baa2c560 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio UAO |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1808478735662317568 |
| spelling |
Paniagua Jaramillo, Jose Luis73d13f53cb9b70bbb37f862962f684e4Torres Revelo, Isabella4622482e6d098d96022b4d335fb96423Ingeniero BiomédicoUniversidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí2020-12-18T19:13:48Z2020-12-18T19:13:48Z2020-11-30http://red.uao.edu.co//handle/10614/12751En este documento se presenta el desarrollo de una red neuronal convolucional profunda para la clasificación de imágenes de retina con retinopatía diabética y la implementación de mapas de activaciones de clase ponderados por gradientes (Grad-CAM) a los resultados obtenidos por el modelo. El modelo fue entrenado con un conjunto de imágenes de retina (aproximadamente 88.000) de alta resolución tomadas bajo diferentes condiciones de captura. Las imágenes fueron sometidas a un preprocesamiento con el objetivo de homogeneizar su tamaño y color. Además, fueron etiquetadas por expertos médicos con los cinco niveles de severidad de la enfermedad. El desempeño de la red neuronal fue evaluado por medio del cálculo de métricas estadísticas obtenidas de la matriz de confusión y con la métrica Kappa. Con esta última se obtuvo un porcentaje de acuerdo de 77% para los datos de prueba entre la clasificación dada por el modelo y la de los expertos médicos. También, con la matriz de confusión se identificaron los errores de tipo I y II cometidos por la red neuronal. Grad-CAM es una técnica de explicación que aporta información sobre las representaciones internas de los modelos de aprendizaje profundo. La aplicación de esta técnica en las imágenes de la retina resaltó regiones donde se encuentran lesiones características de la enfermedad con un mapa de calor. Estos resultados permitieron conocer los patrones y características que la red neuronal aprendió a reconocer y se comprendieron las razones por las cuales la red neuronal clasifica una imagen en un nivel de severidad determinado. Así mismo, facilitó el reconocimiento de falsos positivos y negativos en los resultados de la clasificación permitiendo que se desarrollen alternativas y mejoras al modelo de red neuronal para aumentar su desempeño y su capacidad de reconocimientoIn this document is presented the development of a deep convolutional neural network for the classification of retinal images with diabetic retinopathy and the implementation of gradient-weighted class activation maps (Grad-CAM) to the results obtained by the model. The model was trained with a set of high-resolution retinal images (approximately 88,000) taken under different capture conditions. The images were subjected to pre-processing in order to homogenize their size and color. In addition, they were labeled by medical experts with the five levels of disease severity. The performance of the neural network was evaluated by calculating statistical metrics obtained from the confusion matrix and with Kappa metrics. With the latter, a percentage agreement of 77% was obtained for the test data between the classification given by the model and that of the medical experts. Also, with the confusion matrix, errors of type I and II committed by the neuronal network were identified. Grad-CAM is an explanation technique that provides information about the internal representations of the deep learning models. The application of this technique in retinal images highlighted regions where characteristic lesions of the disease are found with a heat map. These results made it possible to know the patterns and characteristics that the neuronal network learned to recognize and to understand the reasons why the neuronal network classifies an image at a given level of severity. It also facilitated the recognition of false positives and negatives in the classification results allowing alternatives and improvements to the neural network model to increase its performance and recognition capacity.Proyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2020PregradoIngeniero(a) Biomédico(a)application/pdf102 páginasspaUniversidad Autónoma de OccidenteIngeniería BiomédicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaDerechos Reservados - Universidad Autónoma de Occidentehttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2instname:Universidad Autónoma de Occidentereponame:Repositorio Institucional UAOIngeniería BiomédicaRetinopatía diabéticaRedes neuronales convolucionalesInterpretabilidadTécnicas de explicaciónGrad-CAMMapas de activación de claseDeep learningRedes neurales (Computadores)Imágenes diagnósticas-Técnicas digitalesArtificial intelligenceNeural networks (Computer science)Diagnostic imaging-Digital techniquesInterpretabilidad de un modelo basado en aprendizaje profundo para el diagnóstico de retinopatía diabéticaTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85ACEVEDO Eder; SERNA Alexei y SERNA Edgar. Principios y características de las redes neuronales artificiales. En: Desarrollo e Innovación en Ingeniería [en línea]. 2 ed. Medellín – Antioquia: Editorial IAI, 2017. 173 p. ISBN: 978-958-59127-5-5. [Consultado: 27 de julio de 2020]. Disponible en: https://www.researchgate.net/publication/331498946_Principios_y_caracteristicas_de_las_redes_neuronales_artificialesALISEDA, D. y BERÁSTEGUI, L. Retinopatía diabética [en línea]. En: Anales del Sistema Sanitario de Navarra - Scielo. 2008, vol. 31, suppl. 3, p. 23-34. [Consultado: 16 de julio de 2019]. Disponible en Internet: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1137-66272008000600003&lng=es&tlng=esÁLVAREZ TRIVIÑO, María Camila. Deep Learning Aplicado a Imágenes de Retina como Herramienta de Tamizaje en un Proceso de Diagnóstico Médico [en línea]. Trabajo de investigación Ingeniera Mecatrónica. Santiago de Cali. Universidad Autónoma de Occidente. Facultad de Ingeniería. Departamento de Automática y Electrónica, 2016. [Consultado: 10 de julio de 2019]. Disponible en Internet: Repositorio Educativo Digital UAO. http://red.uao.edu.co/handle/10614/9568ÁLVAREZ TRIVIÑO, María Camila et. al. Deep Learning on Retina Images as Screening Tool for Diagnostic Decision Support [en línea]. En: Computer Science. Computer Vision and Pattern Recognition. Julio de 2016. [Consultado: 22 de julio de 2019]. Disponible en Internet: https://arxiv.org/ftp/arxiv/papers/1807/1807.09232.pdfAMAT, Joaquín. Árboles de predicción: random forest, gradient boosting y C5.0 [blog]. Ciencia de datos. Febrero de 2017. [Consultado: 4 de agosto de 2020]. Disponible en: https://www.cienciadedatos.net/documentos/33_arboles_de_prediccion_bagging_random_forest_boosting#BaggingAMAT, Joaquín. Máquinas de Vector Soporte (Support Vector Machines, SVMs) [blog]. Ciencia de datos. Abril de 2017. [Consultado: 03 de agosto de 2020]. Disponible en: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_vector_machines#coste_computacional_de_svmARELI-TORAL BARRERA, Jamie. Redes Neuronales. Universidad de Guadalajara. [Consultado: 27 de julio de 2020]. Disponible en: http://www.cucei.udg.mx/sites/default/files/pdf/toral_barrera_jamie_areli.pdfBELL, Jason. Machine Learning: Hands-On for Developers and Technical Professionals [en línea]. John Wiley & Sons, 2014. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning%20Hands-On%20for%20Developers%20and%20Technical%20Professionals%20%5BBell%202014-11-03%5D.pdfBERGSTRA, James et.al. Theano: A CPU and GPU Math Compiler in Python. En: Proceedings of the 9th Python in Science Conference (SCIPY), 2010. [Consultado: 5 de agosto de 2020]. Disponible en: http://www.iro.umontreal.ca/~lisa/pointeurs/theano_scipy2010.pdf BISO, Nick. Keras Class Activation Map [blog]. Github. 9 de febrero de 2018. [Consultado: 29 de julio de 2020]. Disponible en: https://github.com/nickbiso/Keras-Class-Activation-MapBOYD, Kierstan. ¿Qué es la retinopatía diabética? [en línea]. American Academy of Ophthalmology. (4 de diciembre de 2018), párr. 1. [Consultado: 18 de julio de 2019]. Disponible en Internet: https://www.aao.org/salud-ocular/enfermedades/retinopatia-diabeticaBROWNLEE, Jason. A Gentle Introduction to Pooling Layers for Convolutional Neural Networks [blog]. Machine Learning Mastery. 22 de abril de 2019. [Consultado: 4 de agosto de 2020]. Disponible en: https://machinelearningmastery.com/pooling-layers-for-convolutional-neural-networks/CALVO, Diego. Función de activación – Redes neuronales [en línea]. Diego Calvo. (7 de diciembre de 2018). [Consultado: 1 de agosto de 2019]. Disponible en Internet: http://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/COHEN, Jacob. Weighed kappa: Nominal scale agreement with provision for scaled disagreement or partial credit. En: Psychological Bulletin. Octubre, 1968, vol. 70, no. 4, p. 213–220.DANDY, John. Bug: inconsistency for the BatchNormalization layer between Tensorflow, CNTK and Theano backends [blog]. GitHub. [Consultado: 3 de noviembre de 2020]. Disponible en: https://github.com/keras-team/keras/issues/12957DESPRAZ, Jérémie et. al. Exploring Internal Representations of Deep Neural Networks [en línea]. En: International Joint Conference on Computational Intelligence. Noviembre de 2017, vol. 829. p. 119-138. Springer, Cham. [Consultado: 8 de julio de 2019]. doi: https://doi.org/10.1007/978-3-030-16469-0_7ERROZ, ARROYO, David. Visualizando neuronas en Redes Neuronales Convolucionales [en línea]. Trabajo de investigación Ingeniera Informática. Pamplona. Universidad Pública de Navarra, 2019. [Consultado: 29 de julio de 2020]. Disponible en Internet: https://academica-e.unavarra.es/bitstream/handle/2454/33694/memoria_TFG.pdf?sequence=1&isAllowed=yFALBEL, Daniel et. al. Keras Backend. [en línea]. [Consultado: 9 de julio de 2020]. Disponible en internet: https://keras.rstudio.com/articles/backend.htmlFERNÁNDEZ, PRADA María, LLANOS-MÉNDEZ Aurora y GÓMEZ Rebeca Isabel. Eficacia del diagnóstico asistido por ordenador aplicado al cribado de cáncer de mama [en línea]. Sevilla: Agencia de Evaluación de Tecnologías Sanitarias de Andalucía. 2013, p. 21. [Consultado: 18 de julio de20 19]. Disponible en Internet: https://www.aetsa.org/download/publicaciones/antiguas/AETSA_2013_4_Diag_Asist.pdfFLORES D. et al. Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum con Digoxina utilizando redes neuronales artificiales. En: Revista Mexicana de Ingeniería Biomédica. 2017, vol. 38, nro. 1, p. 208-216. [Consultado: 27 de julio de 2020]. Disponible en: http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-95322017000100208#aff1FLOREZ-LOPEZ, Raquel y FÉRNANDEZ FÉRNANDEZ José. Las redes neuronales artificiales: fundamentos teóricos y aplicaciones prácticas [en línea]. 1 ed. España: Oleiros (La Coruña): Netbiblo, 2008. [Consultado: 28 de julio de 2020]. Disponible en: https://www.worldcat.org/title/redes-neuronales-artificiales-fundamentos-teoricos-y-aplicaciones-practicas/oclc/433872848 ISBN: 978-84-9745-246-5GONDAL, WALEED et al. Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images [en línea]. En: 2017 IEEE International Conference on Image Processing (ICIP). Septiembre de 2017, p. 2069-2073. [Consultado: 10 de julio de 2019]. doi: 10.1109/ICIP.2017.8296646GOODFELLOW, Ian, BENGIO, Yoshua y COURVILLE, Aaron. Deep Learning [en línea]. MIT Press, 2016. [Consultado: 26 de julio de 2019]. Capítulo 9, Convolutional Networks. p. 326 - 366. Disponible en: http://www.deeplearningbook.org/GULSHAN, V., PENG, L., CORAM, M. et. al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs [en línea]. En: Innovations in Health Care Delivery - Jama. Diciembre, 2016, vol. 316, no. 22, p. 2402-2410. [Consultado: 16 de julio de 2019]. Disponible en Internet: https://jamanetwork.com/journals/jama/fullarticle/2588763H5PY. HDF5 for Python [sitio web]. Andrew Collette. 2014. [Consultado: 25 de junio de 2020]. Disponible en: https://docs.h5py.org/en/stable/index.html#IOFFE, Sergey, SZEGEDY Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift. En: 32nd International Conference on Machine Learning, ICML 2015, 1, 448-456. [Consultado: 14 de julio de 2020]. Disponible en: http://arxiv.org/abs/1502.03167ISLAM, Johirul Md et. al. A Comprehensive Study on Deep Learning Bug Characteristics. En: The ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE) [en línea]. Tallinn, Estonia: Junio, 2019. [Consultado: 3 de noviembre de 2020]. Disponible en: https://arxiv.org/pdf/1906.01388.pdfJIA Xi et al. Skin Lesion Classification using Class Activation Map [en línea]. Marzo, 2017. [Consultado: 29 de julio de 2019]. Disponible en Internet: https://arxiv.org/ftp/arxiv/papers/1703/1703.01053.pdfLARRANAGA Pedro; INZA Iñaki y MOUJAHID Abdelmalik. Tema 8. Redes Neuronales. Universidad del País Vasco. Departamento de Ciencias de la Computación e Inteligencia Artificial, 2015. [Consultado: 27 de julio de 2020]. Disponible en: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdfLIMA GÓMEZ Virgilio. Retinopatía diabética simplificada: la escala clínica internacional [en línea]. En: Revista del Hospital Juárez de México. 2006, vol. 73, no. 4, p. 170-174. [Consultado: 17 de julio de 2019] Disponible en Internet: http://www.medigraphic.com/pdfs/juarez/ju-2006/ju064k.pdfLISA LAB, Universidad de Montreal Theano Documentation.LÓPEZ GÁLVEZ, MI. Escala internacional de severidad de la retinopatía y del edema macular diabético [en línea]. En: Archivos de la Sociedad Española de Oftalmología – Scielo. Abril 2004, vol. 79, no. 4, p. 149-150. [Consultado: 17 de julio de 2019]. Disponible en Internet: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0365-66912004000400001&lng=es&tlng=es.LUCAS, Benjamin. Bug: Batch Normalization Initializer not used [blog]. GitHub. [Consultado: 3 de noviembre de 2020]. Disponible en: https://github.com/keras-team/keras/issues/13214MARTINEZ HERAS, José. Regularización Lasso L1, Ridge L2 y ElasticNet [blog]. IArtificial.net. [Consultado: 5 de agosto de 2020]. Disponible en: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdfMAYO FOUNDATION FOR MEDICAL EDUCATION AND RESEARCH. Retinopatía diabética [en línea]. Mayo Clinic. (20 de noviembre de 2018). [Consultado: 17 de julio de 2019]. Disponible en Internet: https://www.mayoclinic.org/es-es/diseases-conditions/diabetic-retinopathy/diagnosis-treatment/drc-20371617MOHAMMED Mohssen, KHAN, M. B. y BASHIER, E. B. M. Machine Learning: Algorithms and Applications [en línea]. Boca Raton: CRC Press 2016. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://www.researchgate.net/publication/303806260_Machine_Learning_Algorithms_and_ApplicationsNGIAM Jiquan et. al. Convolutional Neural Network [en línea]. Unsupervised Feature Learning and Deep Learning Tutorial. Stanford University. [Consultado: 26 de julio de 2019]. Disponible en Internet: http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/ORGANIZACIÓN MUNDIAL DE SALUD. Ceguera y discapacidad visual [en línea]. (11 de octubre de 2018). [Consultado: 18 de julio de 2019]. Disponible en Internet: https://www.who.int/es/news-room/fact-sheets/detail/blindness-and-visual-impairmentPARADZHANYAN, Levon. Demystifying Deep Learning and Artificial Intelligence [blog]. The New Stack. 8 de mayo de 2020. [Consultado: 17 de noviembre de 2020]. Disponible en: https://thenewstack.io/demystifying-deep-learning-and-artificial-intelligence/PATEL, Savan. Machine Learning 101. Chapter 2. SVM (Support Vector Machine) – Theory [blog]. Medium. 03 de mayo de 2017. [Consultado: 03 de agosto de 2020]. Disponible en: https://medium.com/machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72PEÑA-REYES, Carlos Andrés. Rule and knowledge extraction from deep neural networks [video]. En: 5th Valais/Wallis AI Workshop. Idiap, Research Institute. [Consultado: 8 de julio de 2019]. 57:55 minutos. Disponible en Internet: https://www.idiap.ch/en/allnews/deep-neural-networks-remain-for-the-most-part-black-boxesPICAZO MONTOYA, Óscar. Redes Neuronales Convolucionales Profundas para el Reconocimiento de Emociones en Imágenes [en línea]. Máster Universitario en Inteligencia Artificial. Madrid: Escuela Técnica Superior de Ingenieros Informáticos. Universidad Politécnica de Madrid. 2018. [Consultado: 4 de agosto de 2020]. Disponible en: http://oa.upm.es/51441/1/TFM_OSCAR_PICAZO_MONTOYA.pdfPITA FERNÁNDEZ, S y PÉRTEGAS DÍAZ, S. Pruebas diagnósticas: Sensibilidad y especificidad. En: Cad Aten Primaria. España: 2003, vol. 10, p.120-124. [Consultado: 30 de octubre de 2020]. Disponible en: https://www.fisterra.com/mbe/investiga/pruebas_diagnosticas/pruebas_diagnosticas.aspRIVAS ASANZA Wilmer; MAZÓN OLIVO Bertha y PEÑAFIEL MEJÍA Edwin. Generalidades de las redes neuronales artificiales. En: Redes neuronales artificiales aplicadas al reconocimiento de patrones [en línea]. Machala-Ecuador: Editorial UTMACH, 2018, p. 19-21. ISBN: 978-9942-24-100-9. [Consultado: 28 de julio de 2020]. Disponible en: https://www.researchgate.net/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificialesSANSEVIERO, Omar. Introducción a Tensorflow (Parte 1) [blog]. Medium. 11 de marzo de 2019. [Consultado: 5 de agosto de 2020]. Disponible en: https://medium.com/ai-learners/introducci%C3%B3n-a-tensorflow-parte-1-840c01881658SCHMIDHUBER Jürgen. Deep learning in neural networks: An overview [en línea]. En: Neural networks. Enero de 2015, vol. 61. p. 85-117. Elsevier. [Consultado: 8 de julio de 2019]. doi: https://doi.org/10.1016/j.neunet.2014.09.003SELVARAJU Ramprasaath et. al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. En: International Journal of Computer VIsion (IJCV). Octubre, 2019. p. 336-359 [Consultado: 30 de julio de 2020]. Disponible en Internet: https://arxiv.org/abs/1610.02391SHARMA Abhishek. What Are Saliency Maps in Deep Learning? [en línea]. En: Analytics India Magazine. Julio, 2018. [Consultado: 31 de julio de 2019]. Disponible en Internet: https://www.analyticsindiamag.com/what-are-saliency-maps-in-deep-learning/SIMONYAN Karen; VEDALDI Andrea y ZIZZERMAN Andrew. Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps [imagen]. [Consultado: 29 de julio de 2020]. Disponible en: https://arxiv.org/pdf/1312.6034.pdfSINGHAL Deepak y SWARUP Shanti. Electricity price forecasting using artificial neural networks. En: International Journal of Electrical Power & Energy Systems. 2011, vol. 33, nro. 3, p. 550-555. [Consultado: 27 de julio de 2020]. DOI https://doi.org/10.1016/j.ijepes.2010.12.009. ISSN 0142-0615.SORIA Emilio y BLANCO Antonio. Redes neuronales artificiales. En: Autores científico-técnicos y académicos, 2007. p. 25-33. [Consultado: 28 de julio de 2020]. Disponible en: https://www.acta.es/medios/articulos/informatica_y_computacion/019023.pdfSRIVASTAVA, Nitish et.al. Dropout: A simple Way to Prevent Neural Networks from Overfitting. En: Journal of Machine Learning Research. 2014, vol. 15, p. 1929-1958. [Consultado: 5 de agosto de 2020]. Disponible en: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdfTABLADA Claudio y TORRES Germán. Redes Neuronales Artificiales. En: Revista de Educación Matemática. Octubre 13 de 2009, vol. 24, nro. 3. [Consultado: 27 de julio de 2020]. Disponible en: https://revistas.unc.edu.ar/index.php/REM/article/view/10280/10979VALVERDE Juan Miguel. Introduction to Activation Maximization and Implementation in Tensorflow [en línea]. Lipman’s Artificial Intelligence Directory. (18 de junio de 2018). [Consultado: 29 de julio de 2019]. Disponible en Internet: http://laid.delanover.com/introduction-to-activation-maximization-and-implementation-in-tensorflow/WERNICK Miles et. al. Machine Learning in Medical Imaging [en línea]. En: IEEE signal processing magazine. Julio, 2010, vol. 27, no. 4, p. 25 – 38. [Consultado: 25 de julio de 2019]. Disponible en Internet: https://ieeexplore.ieee.org/abstract/document/5484160YIU, Tony. Understanding Random Forest [blog]. Towards Data Science. 12 de junio de 2019. [Consultado: 4 de agosto de 2020]. Disponible en: https://towardsdatascience.com/understanding-random-forest-58381e0602d2#:~:text=The%20random%20forest%20is%20a,that%20of%20any%20individual%20tree.ZHOU B., KHOSLA, A., LAPEDRIZA, A., OLIVA, A., TORRALBA, A. Learning Deep Features for Discriminative Localization [en línea]. En: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Diciembre, 2015. p.2921–2929. [Consultado: 29 de julio de 2019]. Disponible en Internet:http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_paper.pdfPublicationTEXTT09585.pdf.txtT09585.pdf.txtExtracted texttext/plain173015https://dspace7-uao.metacatalogo.com/bitstreams/1bfc17ae-38db-4c78-908f-b4f93354cfef/downloadfaaea6f873c1715a368d51ad6c53856cMD57TA9585.pdf.txtTA9585.pdf.txtExtracted texttext/plain4080https://dspace7-uao.metacatalogo.com/bitstreams/299f43a9-8a3e-44d0-8055-678344b4a652/download55c7f632528328801392f2ed91ed337bMD59THUMBNAILT09585.pdf.jpgT09585.pdf.jpgGenerated Thumbnailimage/jpeg6239https://dspace7-uao.metacatalogo.com/bitstreams/e1ede3e2-6381-412c-9faf-cbc32738de45/downloada76850d474c08162d95f466337bcded5MD58TA9585.pdf.jpgTA9585.pdf.jpgGenerated Thumbnailimage/jpeg13365https://dspace7-uao.metacatalogo.com/bitstreams/a09f0948-3d79-4e13-aec6-d09f239fd44f/downloaddbd2abd7234ef42ce62e3527be6ae694MD510CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://dspace7-uao.metacatalogo.com/bitstreams/44005cd5-9ada-4dac-aa70-3be18c9e6a6e/download4460e5956bc1d1639be9ae6146a50347MD53ORIGINALT09585.pdfT09585.pdfapplication/pdf2465826https://dspace7-uao.metacatalogo.com/bitstreams/f9f28d58-7233-48bb-beee-74e9caffd7ca/download3e635b901da6d43e5ba8a1c8f7fb3208MD55TA9585.pdfTA9585.pdfapplication/pdf285255https://dspace7-uao.metacatalogo.com/bitstreams/3d2d2387-3138-4252-b114-06bdf35a58b7/downloadf5af344890746314495f04447db773f1MD56LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://dspace7-uao.metacatalogo.com/bitstreams/9d35f3c9-5016-427b-a924-5d6a6c19cf07/download20b5ba22b1117f71589c7318baa2c560MD5410614/12751oai:dspace7-uao.metacatalogo.com:10614/127512024-01-19 15:56:37.195https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos Reservados - Universidad Autónoma de Occidenteopen.accesshttps://dspace7-uao.metacatalogo.comRepositorio UAOrepositorio@uao.edu.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 |