dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Generació d'imatges de ressonàncies magnètiques cerebrals utilitzant Xarxes Adversàries Generatives (GAN) |
| Títol variant: |
Generación de imágenes de resonancias magnéticas cerebrales usando Redes Adversarias Generativas (GAN) |
| Data: |
2023 |
| Resum: |
This project aims to develop 3 different Generative Adversarial Networks (GAN) models with varying amount of layers (4, 7 and 15) that generate artificial images of brain MRI images, use different input values, such as amount of samples and epochs, and compare the results in terms FID score, time consumed, loss function and visual analysis. In this kind of machine learning model, two neural networks compete with each other in the form of a zero-sum game, with one network serving as the generator and the other as the discriminator. The generator is trained from a database that contains samples of brain MRI images, both healthy and sick ones, in NIfTI format, that are transformed into 2D images. Different neural networks and input parameters are tested and the results are compared. The project follows the CRISP-DM methodology, a widely used approach for machine learning. The results indicate that the 4-layered model is not complex enough to create realistic images when not using enough samples or epochs, while the 7-layered and 15-layered models are deep enough to generate good samples, the 7-layered one being the most balanced between computational resources and quality of generated images. Increasing the number and variety of samples is very important to create a model that can generate better samples, also rising the amount of epochs also helps to improve the results, but both of these practices increases by a great amount the time and resources consumed for training. The loss function also shows if the model is training correctly, the 4-layered model does not have a good progress of its loss value, as it does not get lower and the discriminators is not the opposite of the generator's, bot the 7-layered and 15-layered generator have a good evolution of the loss value. The loss evolution improves by using bigger datasets for training. |
| Resum: |
Aquest projecte té com a objectiu desenvolupar 3 models diferents de Xarxes Adversàries Generatives (GAN) amb una quantitat variable de capes (4, 7 i 15) que generen imatges artificiales d'imatges de ressonàncies magnètiques cerebrals, utilitzant diferents valors d'entrada, com la quantitat de mostres i èpoques, i comparar els resultats en termes de puntuació FID, temps consumit, funció de pèrdua i anàlisi visual. En aquest tipus de model d'aprenentatge automàtic, dues xarxes neurals competeixen entre elles en forma d'un joc de suma zero, amb una xarxa actuant com a generador i l'altra com a discriminador. El generador s'entrena a partir d'una base de dades que conté mostres d'imatges de ressonàncies magnètiques cerebrals, tant saludables com malaltes, en format NIfTI, que es transformen en imatges 2D. S'avaluen diferents xarxes neurals i paràmetres d'entrada i es comparan els resultats. El projecte segueix la metodologia CRISP-DM, un enfocament ampliament utilitzat per a l'aprenentatge automàtic. Els resultats indiquen que el model de 4 capes no és prou complex per crear imatges realistes quan no s'utilitzen prou mostres o èpoques, mentre que els models de 7 i 15 capes són prou profunds per generar bones mostres, sent el de 7 capes el més equilibrat entre els recursos computacionals i la qualitat de les imatges generades. Augmentar el nombre i la varietat de mostres és molt important per crear un model que pugui generar millors mostres, també l'augment de la quantitat d'èpoques ajuda a millorar els resultats, però ambdues pràctiques augmenten en gran mesura el temps i els recursos consumits per a l'entrenament. La funció de pèrdua també mostra si el model està entrenant correctament, el model de 4 capes no té un bon progrés del seu valor de pèrdua, ja que no es redueix i el discriminador no és l'oposat del generador, però el generador de 7 i 15 capes té una bona evolució del valor de pèrdua. L'evolució de la pèrdua millora en utilitzar conjunts de dades més grans per a l'entrenament. |
| Resum: |
Este proyecto tiene como objetivo desarrollar 3 modelos diferentes de Redes Adversarias Generativas (GAN) con una cantidad variable de capas (4, 7 y 15) que generen imágenes artificiales de imágenes de resonancias magnéticas cerebrales, utilizando diferentes valores de entrada, como la cantidad de muestras y épocas, y comparar los resultados en términos de puntuación FID, tiempo consumido, función de pérdida y análisis visual. En este tipo de modelo de aprendizaje automático, dos redes neuronales compiten entre sí en forma de un juego de suma cero, con una red actuando como generador y la otra como discriminador. El generador se entrena a partir de una base de datos que contiene muestras de imágenes de resonancias magnéticas cerebrales, tanto saludables como enfermas, en formato NIfTI, que se transforman en imágenes 2D. Se prueban diferentes redes neuronales y parámetros de entrada y se comparan los resultados. El proyecto sigue la metodología CRISP-DM, un enfoque ampliamente utilizado para el aprendizaje automático. Los resultados indican que el modelo de 4 capas no es lo suficientemente complejo para crear imágenes realistas cuando no se utilizan suficientes muestras o épocas, mientras que los modelos de 7 y 15 capas son lo suficientemente profundos para generar buenas muestras, siendo el de 7 capas el más equilibrado entre los recursos computacionales y la calidad de las imágenes generadas. Aumentar el número y la variedad de muestras es muy importante para crear un modelo que pueda generar mejores muestras, también el aumento de la cantidad de épocas ayuda a mejorar los resultados, pero ambas prácticas aumentan en gran medida el tiempo y los recursos consumidos para el entrenamiento. La función de pérdida también muestra si el modelo está entrenando correctamente, el modelo de 4 capas no tiene un buen progreso de su valor de pérdida, ya que no se reduce y el discriminador no es lo opuesto del generador, pero el generador de 7 y 15 capas tiene una buena evolución del valor de pérdida. La evolución de la pérdida mejora al utilizar conjuntos de datos más grandes para el entrenamiento. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, 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.  |
| Llengua: |
Anglès |
| Titulació: |
Grau en Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Xarxes Adversàries Generatives ;
GAN ;
Intel·ligència artificial ;
TensorFlow ;
Keras ;
Ressonància magnètica ;
Aprenentatge automàtic ;
Generació d'imatges ;
Aprenentatge profund ;
Dades sintètiques ;
Afinació de hiperparàmetres ;
Redes Adversarias Generativas ;
Inteligencia artificial ;
Tensorflow ;
Resonancia magnética ;
Aprendizaje automático ;
Generación de imágenes ;
Aprendizaje profundo ;
Datos sintéticos ;
Ajuste de hiperparámetros ;
Generative Adversarial Networks ;
Artificial intelligence ;
MRI ;
Machine learning ;
Image generation ;
Deep learning ;
Synthetic data ;
Hyperparameter tuning |
visitant ::
identificació
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
