Per citar aquest document: http://ddd.uab.cat/record/165139
Polyp Detection using Convolutional Neural Networks : An Exploratory Study
Rodríguez Carmona, Javier
Vazquez Bermudez, David, dir.
Bernal del Nozal, Jorge, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant: Detección de pólipos usando redes neuronales convolutivas : Un trabajo exploratorio
Títol variant: Detecció de pòlips usant xarxes neuronals convolutives : Un treball exploratori
Data: 2016-06-28
Pla d'estudis: Enginyeria Informàtica [958]
Titulació: Enginyeria Informàtica [2502441]
Resum: This project presents an exploratory study on the potential of using convolutional neural networks (CNNs) to aid in polyp detection tasks. Early polyp detection is crucial for patient survival and it could be very useful for clinicians to have a tool that could aid clinicians in real time to identify polyps in the image. The main challenge we faced was to work in a domain where publicly available datasets are scarce and, moreover, they are not balanced, we aim to assess the potential of using pre-trained networks and fine-tuning to take profit of the capa-bilities of CNNs. We propose two different strategies: classification using the whole image and patch-based classification. As the databases that we use to validate our methodology are clearly not balanced, we also explore the use of early image augmentation techniques to increase dataset size. Preliminary results indicate the potential of our proposal and assess quantitatively the impact of each of the modifications we propose to the baseline. More precisely, the use of patch-based classification outperforms image-based one, and there is a proven impact of supressing image borders and performing data augmentation. Finally, our results shows the importance of having balanced datasets for both training and testing of the network.
Resum: Este proyecto presenta un estudio exploratorio sobre el potencial de usar redes neuronales convolutivas (CNNs) para ayudar en tareas de detección de pólipos. La detección temprana de pólipos es crucial para la supervivencia del paciente, y podría ser muy útil para los médicos disponer de una herramienta que les ayude a identificar pólipos en tiempo real en las imágenes. El principal reto al que nos enfrentamos es trabajar en un dominio en el que los sets de datos disponibles públicamente son escasos y no están balanceados. Nuestro objetivo es comprobar el potencial de usar redes preentrenadas y fine-tuning para aprovechar las capacidades de las CNNs. Proponemos dos estrategias diferentes: clasificación usando las imágenes enteras y clasificación basada en trozos de imágenes o patches. Como las bases de datos que usamos para validar nuestra metodología no están balanceadas, también exploraremos el uso de técnicas de early data augmentation para incrementar el tamaño del dataset. Resultados preliminares indican el potencial de nuestra propuesta y comprueban cuantitativa-ente el impacto de cada una de las modificaciones que proponemos para el baseline. Más específicamente, el uso de clasificación basada en patches supera a la basada en imágenes, y hay un impacto demostrado en la eliminación del borde de las imágenes y en la aplicación de data augmentation. Finalmente, nuestros resultados muestran la importancia de tener datasets balanceados tanto en el entrenamiento como en el test de la red.
Resum: Aquest treball presenta un estudi exploratori sobre el potencial d'usar xarxes neuronals convolutives (CNNs) per ajudar en tasques de detecció de pòlips. La detecció primerenca de pòlips és crucial per a la supervivencia del pacient, i podría ser molt útil per als mèdics disposar d'una eina que els ajudi a identificar pòlips en temps real a les imatges. El principal repte al que ens enfrentem és treballar en un domini en el que els sets de dades disponibles públicament són molt escasos i no estan balançejats . El nostre objectiu és comprobar el potencial d'utilitzar xarxes preentrenades i fine-tuning per tal d'aprofitar les capacitats de les CNNs. Proposem dues estratègies diferents: classificació usant les imatges senceres i classificació basada en trossos d'imatges o patches. Com les bases de dades que fem servir per validar la nostra metodologia no estan balancejades, també explorarem l'ús de tècniques de early data Augmentation per incrementar la mida del dataset. Resultats preliminars indiquen el potencial de la nostra proposta i comproven quantitativament l'impacte de cadascuna de les modificacions que proposem per al baseline. Més específicament, l'ús de classificació basada en patches supera la basada en imatges, i hi ha un impacte demostrat en l'eliminació de la vora de les imatges i en l'aplicació de data Augmentation. Finalment, els nostres resultats mostren la importància de tenir datasets balancejats tant en l'entrenament com en el test de la xarxa.
Drets: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Llengua: Anglès.
Document: bachelorThesis ; Text
Àrea temàtica: Menció Computació
Matèria: Deep learning ; Xarxes neuronals convolutives ; Detecció de pòlips ; Data augmentation ; Imatge mèdica ; Machine learning ; Redes neuronales convolutivas ; Detección de pólipos ; Imagen médica ; Convolutional neural networks ; Polyp detection ; Medical image



11 p, 1.2 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG

 Registre creat el 2016-09-30, darrera modificació el 2016-10-03



   Favorit i Compartir