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

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.