Synthetic Image Generation For Enhancing Polyp Classification
Muñoz Martin, Nerea Qing
Bernal del Nozal, Jorge, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Estudi del potencial de la generació de dades sintètiques en la millora de la classificació d'imatges mèdiques
Títol variant:	Generación de imágenes sintéticas para la mejora de la clasificación de pólipos
Data:	2025
Resum:	Aquest projecte explora la millora de la classificació de pòlips en imatges endoscòpiques mitjançant l'ampliació de conjunts de dades amb imatges sintètiques generades per models de difusió. Partint d'un classificador base, es va utilitzar un model de difusió entrenat des de zero, que va generar imatges de baixa qualitat. Posteriorment, es va afinar un model Stable Diffusion preentrenat utilitzant LoRA. La motivació és superar la manca de dades en la imatge mèdica. Els resultats indiquen que l'ampliació amb dades sintètiques pot millorar el rendiment de la classificació, tot i que encara cal més recerca en aquest àmbit. Aquest treball demostra el potencial dels models generatius avançats per donar suport a aplicacions d'intel·ligència artificial mèdica.
Resum:	Este proyecto explora la mejora de la clasificación de pólipos en imágenes endoscópicas mediante la ampliación de conjuntos de datos con imágenes sintéticas generadas por modelos de difusión. Partiendo de un clasificador base, se utilizó un modelo de difusión entrenado desde cero, que generó imágenes de baja calidad. Posteriormente, se afinó un modelo Stable Diffusion preentrenado utilizando LoRA. La motivación es superar la falta de datos en la imagen médica. Los resultados indican que la ampliación de datos sintéticos puede mejorar el rendimiento de la clasificación, aunque todavía queda investigación por hacer en este ámbito. Este trabajo demuestra el potencial de los modelos generativos avanzados para apoyar aplicaciones de inteligencia artificial médica.
Resum:	This project explores improving polyp classification in endoscopic images by augmenting datasets with synthetic images using diffusion models. Starting from a baseline classifier, a diffusion model trained from scratch was used, generating low-quality images. A pretrained Stable Diffusion model was then finetuned using LoRA. The motivation is to overcome the lack of data in medical imaging. Results indicate that synthetic data augmentation can improve classification performance, although there is still more research to do in this area. This work demonstrates the potential of advanced generative models to support medical AI applications.
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 Intel·ligència Artificial [2504392]
Pla d'estudis:	Intel·ligència Artificial [1497]
Document:	Treball final de grau ; Text
Matèria:	Classificació de Pòlips ; Imatges Endoscòpiques ; Generació d'Imatges Sintètiques ; Models de Difusió ; Models de Classificació ; Stable Diffusion ; LoRA ; Dreambooth ; Augment de Dades ; Imatge Mèdica ; Desbalanceig de Classes ; Clasificación de Pólipos ; Imágenes Endoscópicas ; Generación de Imágenes Sintéticas ; Modelos de Difusión ; Modelos de Clasificación ; Aumento de Datos ; Imagen Médica ; Desbalance de Clases ; Polyp Classification ; Endoscopic Images ; Synthetic Image Generation ; Diffusion Models ; Classification Models ; Data Augmentation ; Medical Imaging ; Class Imbalance

18 p, 7.4 MB

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