Detección y clasificación de diferentes formas eritrocitarias anómalas mediante redes neuronales profundas
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/173454
Tipus de documentTreball Final de Grau
Data2019-05-21
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
La observación de la morfología eritrocitaria y, por ende, la detección de posibles alteraciones eritrocitarias, tiene un gran valor diagnóstico, ya que puede ser indicio de diferentes patologías como pueden ser las anemias. Estas alteraciones pueden ser de diversos tipos, alteraciones en su tamaño, en su forma, o en su coloración hemoglobínica, así como también presentar diferentes tipos de inclusiones. El proceso de observación y clasificación requiere de personal cualificado y con experiencia en el campo, ya que en muchas ocasiones la diferencia entre las distintas alteraciones es muy sutil, y el diagnóstico depende de ellas. Este trabajo pretende, gracias al desarrollo de técnicas de aprendizaje profundo de los últimos años, conseguir un algoritmo automatizado con la capacidad para clasificar adecuadamente y con fiabilidad imágenes de diferentes tipos células sanguíneas, en concreto plaquetas, eritrocitos y algunas de sus principales alteraciones morfológicas (esferocitos, drepanocitos, reticulocitos, cuerpos de Pappenheimer, cuerpos Howell-Jolly y punteado basófilo). Se ha utilizado la técnica de transferencia de aprendizaje con fast.ai, que, en lugar de entrenar una Red Neuronal Convolucional desde cero, utiliza redes ya entrenadas como punto de inicio. El conjunto de imágenes con las que se ha entrenado el modelo ha sido proporcionado por parte del Laboratorio Core del Hospital Clínic. Se ha llegado a obtener una precisión en la clasificación de más del 96 % con tres modelos diferentes, ResNet 34, ResNet 50 y DenseNet 169, y más del 97 % con DenseNet 121. Por tanto, el uso de estas técnicas da un resultado bastante satisfactorio y puede ser una buena herramienta de apoyo para el personal responsable
MatèriesErythrocytes, Neural networks (Computer science), Machine learning, Eritròcits, Xarxes neuronals (Informàtica), Aprenentatge automatic
TitulacióGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Memoria TFG Joaquín Justel Pizarro.pdf | 3,561Mb | Visualitza/Obre |