Redes Generativas Antagónicas para la estandarización de imágenes de células de sangre periférica
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/182625
Correu electrònic de l'autoralejperz7gmail.com
Tipus de documentTreball Final de Grau
Data2020-01-30
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 3.0 Espanya
Abstract
El análisis de sangre periférica mediante análisis del frotis es una útil herramienta para la detección de
enfermedades y anomalías. Ya sea mediante microscopía o gracias al uso de maquinaria automática
especializada, se pueden llevar a cabo numerosos exámenes de fluidos o segregaciones corporales de
gran utilidad diagnóstica. Como en el caso de este trabajo, el estudio o análisis de células hematológicas
que circulan en sangre periférica requiere de una tinción específica a la hora de mejorar el contraste y
visibilidad en el microscopio manual o motorizado como el Cellavision DM96.
El equipo de CellsiLAB, grupo de investigación fruto de la colaboración del Hospital Clínic y la
Universidad Politécnica de Cataluña, ha desarrollado modelos de redes neuronales para llevar a cabo
clasificaciones automáticas de las células sanguíneas anómalas según su índole (linfocitos anormales
en diferentes tipos de linfoma, blastos en leucemias agudas, linfocitos reactivos en infecciones, entre
otros casos). Asimismo, ocurre que las muestras obtenidas en hospitales ajenos son más susceptibles a
ser clasificadas erróneamente por dichos modelos al no compartir características de color, tinción y
textura.
Es aquí donde entran las GANs, traducido al español RGAs, Redes Generativas Antagónicas, un tipo de
redes neuronales artificiales que han experimentado una enorme evolución en los últimos años. La
particularidad de estas arquitecturas es que generan imágenes a partir del aprendizaje de un conjunto
de datos.
Por ende, se ha aprovechado esta cualidad para transformar las imágenes del dominio X (Hospital
Germans Trias i Pujol) en el dominio Y (Hospital Clínic) y así emular las características de color, tinción y
textura de este último. Tras esta transformación se ha conseguido mejorar la efectividad en la
clasificación de las imágenes tomadas en el Hospital Germans Trias i Pujol por parte de los modelos de
redes neuronales convolucionales pre-entrenados con datasets del Hospital Clínic.
Para las transformaciones se han utilizado las arquitecturas CycleGAN y ColorizationGAN, mientras que
para las clasificaciones se han utilizado: ResNet 18, ResNet 34, ResNet 18 con focal loss y ResNet 34 con
focal loss. Se ha logrado mejorar la exactitud de la clasificación del 34% a al 81%.
TitulacióGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Perez_Gomez_Alejo_TFE_EEB.pdf | 4,662Mb | Visualitza/Obre |