Generación de imágenes médicas anotadas para el entrenamiento de modelos automáticos de análisis de anomalías

Berná García, Javier (2020). Generación de imágenes médicas anotadas para el entrenamiento de modelos automáticos de análisis de anomalías. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Generación de imágenes médicas anotadas para el entrenamiento de modelos automáticos de análisis de anomalías
Author/s:
  • Berná García, Javier
Contributor/s:
  • García Pedrero, Ángel Mario
Item Type: Final Project
Degree: Grado en Ingeniería Informática
Date: June 2020
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Arquitectura y Tecnología de Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (5MB) | Preview

Abstract

Al trabajar con modelos de aprendizaje automático es fundamental el uso de una base de datos de calidad para entrenar estos algoritmos. En este Trabajo de Fin de Grado se ha estudiado el uso de redes generativas antagónicas (GAN) para la generación de imágenes sintéticas con el objetivo de solventar el problema de la escasez de datos etiquetados en el entrenamiento de modelos de aprendizaje automático. El proyecto se ha realizado con la mirada puesta en imagen médica pero principalmente se ha basado en los métodos aplicables a cualquier campo. Se han explorado distintos métodos de generación condicional tanto con etiquetas como con máscaras de segmentación. Y se han analizado las métricas existentes para cuantificar la calidad y diversidad de las imágenes generadas mediante las dos métricas más utilizadas actualmente, el Inception Score (IS) y Frechet Inception Distance (FID). Partiendo de un proyecto existente llamado AutoGAN se ha desarrollado otro proyecto con el cual es posible buscar y entrenar una red para la base de datos deseada y generar imágenes de todas o especificas clases pertenecientes a ese dataset.---ABSTRACT---When working with machine learning models, the use of a quality database is essential to train these algorithms. In this Final Degree Project, the use of generative adversarial network (GAN) for the generation of synthetic images has been studied in order to solve the problem of the lack of labeled data in the training of machine learning models. The project has been carried out with an eye toward medical imaging, but it has mainly been based on methods applicable to any field. Different methods of conditional generation have been explored with both labels and segmentation masks. And the existing metrics have been analyzed to quantify the quality and diversity of the generated images using the two most widely used metrics currently, the Inception Score (IS) and Frechet Inception Distance (FID). Starting from an existing project called AutoGAN, another project has been developed with which it is possible to search and train a network for the desired database and generate images of all or specific classes belonging to that dataset.

More information

Item ID: 63317
DC Identifier: http://oa.upm.es/63317/
OAI Identifier: oai:oa.upm.es:63317
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 28 Jul 2020 19:41
Last Modified: 28 Jul 2020 19:41
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM