Sistema web de reconocimiento y clasificación de patologías a través de imágenes médicas basado en técnicas de aprendizaje de máquina

La detección de cáncer de tiroides es un proceso que en la actualidad se realiza mediante la interpretación manual que realizan radiólogos especialistas, estas se clasifican utilizando una prueba de tamizaje (discriminatoria) conocida como EU- TIRADS 2017 [2], que determina el grado de malignidad del nódulo tiroideo. La escasez de profesionales y la creciente demanda de este tipo de estudios plantea el problema de la automatización a través de algoritmos de aprendizaje de máquina como los basados en Deep Learning y específicamente, las Redes Neuronales Convolucionales, que han sido probadas anteriormente con éxito para la clasificación de otro tipo de imágenes médicas. En un trabajo anterior, con un dataset de 2000 imágenes balanceado entre 4 categorías (TI-RADS2 - TI-RADS5) se logró una medida de precisión (accuracy) cercana del 65% y una pérdida logarítmica (cross-entropy loss) cercana a 0.78. Sin embargo, este artículo plantea el estudio exploratorio para una posible optimización del algoritmo a través de diferentes pruebas medibles en su parametrización. Las variables que serán ajustadas son: El número de capas convolucionales, el tamaño de la máscara de convolución, las funciones de activación, el número de neuronas en la capa densa, el uso de más capas densas para el aprendizaje, el uso de dropouts aleatorios para controlar el sobreajuste (overfitting), entre otros. La medición comparativa se realiza a través de los valores de precisión, pérdida, la matriz de confusión, y el área bajo la curva ROC. Al final del documento se describe la mejor combinación de los parámetros evaluados y las observaciones pertinentes.

• Autores: Arias Trillos, Yhary Estefanía
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2019
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/7053
• Acceso en línea: http://hdl.handle.net/20.500.12749/7053
• Palabra clave: Systems engineer; Technological innovations; Data set; Deep learning; Maching; Data increase; Neural networks; Artificial intelligence; Ultrasound; Radiology; Area under the curve; Confusion matrix; Concordance study; Cancer diagnosis; X-rays; Medical examinations; Diagnostic service; Endocrine glands; Ingeniería de sistemas; Innovaciones tecnológicas; Inteligencia artificial; Cáncer diagnóstico; Rayos x; Exámenes médicos; Servicio de diagnóstico; Glándulas endocrinas; Conjunto de datos; Aprendizaje profundo; Aumento de datos; Redes neuronales; Ultrasonido; Radiología; Área bajo la curva; Matriz de confusión; Estudio de concordancia
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/