Show simple item record

dc.contributorRodellar Benedé, José
dc.contributorAlférez Baquero, Edwin Santiago
dc.contributor.authorPérez Gómez, Alejo
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament de Matemàtiques
dc.date.accessioned2020-04-01T08:14:06Z
dc.date.available2020-04-01T08:14:06Z
dc.date.issued2020-01-30
dc.identifier.urihttp://hdl.handle.net/2117/182625
dc.description.abstractEl 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%.
dc.language.isospa
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsAttribution 3.0 Spain
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/es/
dc.subjectÀrees temàtiques de la UPC::Enginyeria biomèdica
dc.subject.lcshLeucocytosis
dc.subject.lcshLymphocytes
dc.subject.lcshBlood--Analysis
dc.subject.otherRedes Neuronales Generativas Antagónicas
dc.subject.otherRedes Neuronales Convolucionales
dc.subject.otherLinfocitos
dc.subject.otherLeucocitos
dc.subject.otherAprendizaje Profundo.
dc.titleRedes Generativas Antagónicas para la estandarización de imágenes de células de sangre periférica
dc.typeBachelor thesis
dc.subject.lemacLeucocitosi
dc.subject.lemacLimfòcits
dc.subject.lemacSang--Anàlisi
dc.identifier.slugPRISMA-147887
dc.rights.accessOpen Access
dc.date.updated2020-03-13T08:36:04Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola d'Enginyeria de Barcelona Est
dc.audience.degreeGRAU EN ENGINYERIA BIOMÈDICA (Pla 2009)


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution 3.0 Spain
Except where otherwise noted, content on this work is licensed under a Creative Commons license : Attribution 3.0 Spain