Show simple item record

dc.contributorGiró Nieto, Xavier
dc.contributorCarlier, Axel
dc.contributor.authorGórriz Blanch, Marc
dc.date.accessioned2017-10-27T10:01:56Z
dc.date.available2017-10-27T10:01:56Z
dc.date.issued2017
dc.identifier.urihttp://hdl.handle.net/2117/109304
dc.description.abstractThis thesis proposes a novel active learning framework capable to train effectively a convolutional neural network for semantic segmentation of medical imaging, with a limited amount of training labeled data. Our approach tries to apply in segmentation existing active learning techniques, which is becoming an important topic today because of the many problems caused by the lack of large amounts of data. We explore different strategies to study the image information and introduce a previously used cost-effective active learning method based on the selection of high confidence predictions to assign automatically pseudo-labels with the aim of reducing the manual annotations. First, we made a simple application for handwritten digit classification to get started to the methodology and then we test the system with a medical image database for the treatment of melanoma skin cancer. Finally, we compared the traditional training methods with our active learning proposals, specifying the conditions and parameters required for it to be optimal.
dc.description.abstractEsta tesis propone un nuevo marco de aprendizaje activo capaz de entrenar de manera efectiva una red neuronal convolucional para la segmentación semántica de imágenes médicas, a través de una cantidad limitada de instancias de entrenamiento. Nuestro enfoque trata de introducir técnicas existentes de aprendizaje activo en el campo de la segmentación, tema poco tratado en la actualidad debido a los numerosos problemas que puede causar la falta de datos en el entrenamiento de sistemas con gran cantidad de parametros. Exploramos estrategias para el estudio de la información de la imagen, que nos permiten diseñar un método rentable de selección de instancias óptimas para el entrenamiento de nuestro sistema. Estas técnicas nos permiten introducir en segmentación el método activo de coste efectivo, muy usado en clasificación, que trata de usar de manera iterativa predicciones de alta confianza como pseudo etiquetas, haciendo disminuir la cantidad de anotaciones requeridas de forma manual. En primer lugar, desarrollamos una simple aplicación para la clasificación de dígitos manuscritos para iniciarnos con la metodología y luego testeamos el sistema con una base de datos de imágenes médicas para el tratamiento del cáncer de piel de melanoma. Finalmente, comparamos el modelo clásico de entrenamiento con las distintas versiones de entrenamiento activo propuestas, especificando las condiciones y los paramentaras necesarios para que estas sean óptimo.
dc.description.abstractAquesta tesi proposa un nou marc d'aprenentatge actiu capaç d'entrenar de forma efectiva una xarxa neuronal convolucional per la segmentació semàntica d'imatges mèdiques, a través d'una quantitat limitada d'instàncies d'entrenament. El nostre enfocament intenta introduir tècniques existents d'aprenentatge actiu en el camp de la segmentació, un tema poc tractat en l'actualitat a causa dels nombrosos problemes que poden ocasionar la falta de dades d'entrenament. Explorem diferents estratègies per l'estudi de l'informació de la imatge, que ens permeten dissenyar un mètode rentable de selecció de les instàncies més optimes per l'entrenament del nostre sistema. Aquestes tècniques ens permeten introduir en segmentació el mètode actiu de cost efectiu, molt utilitzat en tasques de classificació, que es basa a utilitzar de manera iterativa prediccions d'alta confiança com pseudo etiquetes amb l'objectiu de reduir la quantitat d'anotacions manuals. En primer lloc, desenvolupem una simple aplicació per a la classificació de dígits manuscrits per iniciar-nos amb la metodologia i després testegem el sistema amb una base de dades d'imatges mèdiques per al tractament del càncer de pell de melanoma. Finalment, comparem el model clàssic d'entrenament amb les diferents modalitats actives proposades, especificant les condicions i els paràmetres pertinents perquè aquestes siguin òptimes.
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subjectÀrees temàtiques de la UPC::Enginyeria de la telecomunicació
dc.subject.lcshImaging systems in medicine
dc.subject.lcshComputer vision
dc.subject.lcshNeural networks (Computer science)
dc.subject.otherActive Learning
dc.subject.otherNeuronal Networks
dc.subject.otherMedical Imaging
dc.subject.otherAprendizaje activo
dc.subject.otherredes neuronales
dc.subject.otherimagen médica
dc.subject.otherXarxes intel·ligents
dc.subject.otherAlgorismes
dc.titleActive deep learning for medical imaging segmentation
dc.title.alternativeAprendizaje activo aplicado a la segmentación de imagen médica
dc.title.alternativeAprenentatge actiu aplicat a la segmentació d'imatges mèdiques
dc.typeBachelor thesis
dc.subject.lemacImatgeria mèdica
dc.subject.lemacVisió per ordinador
dc.subject.lemacXarxes neuronals (Informàtica)
dc.identifier.slugETSETB-230.127230
dc.rights.accessOpen Access
dc.date.updated2017-07-19T05:51:41Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE SISTEMES AUDIOVISUALS (Pla 2009)
dc.contributor.covenanteeInstitut national polytechnique de Toulouse


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record