Metric learning for kidney stone classification
Torrell Amado, Alejandro
Serrat Gual, Joan, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Additional title: Metric learning per a la classificació de pedres de ronyó
Additional title: Metric learning para la clasificación de piedras de riñón
Date: 2018-02-13
Abstract: Kidney stone formation problems is a condition whose incidence is increasing overtime. One of the worst problems that come with this condition is that it is common for patients to relapse. However, this can be efficiently stopped by identifying the type of stone and therefore, the causes. Currently this task is performed by small groups of trained experts and therefore, urologist can not give an adequate diagnosis. A solution was proposed by using a classifier using Machine learning techniques but the overall maximum accuracy of 63% was insufficient. In the following article a new approach is proposed for a classifier, as a continuation of the mentioned attempt, using Metric learning techniques like Siamese and Triplet networks. This will result in an overall improvement, from the current Machine learning techniques with a test reaching an outstanding accuracy of 74%. Finally, it is concluded that improving the dataset will be necessary for improving the overall results.
Abstract: Els problemes de formació de pedres del ronyó són una condició la incidència de la qual augmenta cada vegada més. Un dels pitjors problemes que comporta aquesta condició és que és habitual que els pacients recaiguin. No obstant això, es pot evitar eficientment identificant el tipus de pedra i, per tant, les causes. Actualment aquesta tasca és realitzada per petits grups d'experts capacitats i, per tant, l'uròleg no pot donar un diagnòstic adequat. Es va proposar una solució mitjançant l'ús d'un classificador mitjançant tècniques de Machine learning, però la precisió màxima del 63% va ser insuficient. En el següent article es proposa un nou enfocament per a un classificador, com a continuació de l'intent esmentat, utilitzant tècniques de Metric learning com ara Siamese i Triplet networks. Això generarà una millora general, respecte a les tècniques de Machine learning actuals amb una prova que aconsegueix una precisió excepcional del 74%. Finalment, es conclou que la millora del conjunt de dades serà necessària per millorar els resultats globals.
Abstract: Los problemas de formación de piedras de riñón son una afección cuyo ratio de incidencia aumenta cada vez más. Uno de los peores problemas que presenta esta condición es que es común que los pacientes recaigan. Sin embargo, esto puede detenerse de manera eficiente identificando el tipo de piedra y, por lo tanto, las causas. Actualmente esta tarea es realizada por pequeños grupos de expertos capacitados y, por tanto, los urólogos no pueden brindar un diagnóstico adecuado. Se propuso una solución mediante el uso de un clasificador, utilizando técnicas de Machine learning, pero la precisión máxima global del 63% fue insuficiente. En el siguiente artículo, se propone un nuevo enfoque para un clasificador, como una continuación del intento mencionado, utilizando técnicas de Metric learning como las Siamese y Triplet networks. Esto dará como resultado una mejora general, respecto a las técnicas actuales de Machine learning, con una prueba que alcanzará una precisión excepcional del 74%. Finalmente, se concluye que la mejora del conjunto de datos será necesaria para mejorar los resultados globales.
Rights: 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
Language: Anglès.
Studies: Enginyeria Informàtica [2502441]
Study plan: Enginyeria Informàtica [958]
Document: bachelorThesis ; Text
Subject area: Menció Computació
Subject: Metric learning ; Siamese network ; Triplet network ; Deep learning ; ResNet ; CNN ; Renal calculi ; Kidney stone ; Computer Vision ; Image classifier ; Càlculs renals ; Pedres de ronyó ; Classificador d'imatges ; Visió per ordinador ; Cálculos renales ; Piedras de riñón ; Clasificador de imágenes ; Visión por ordenador



11 p, 1.9 MB

The record appears in these collections:
Research literature > Bachelor's degree final project > School of Engineering

 Record created 2018-04-09, last modified 2018-06-19



   Favorit i Compartir