Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/20853
Título: Transfer and ensemble learning models in breast mammogram pathology classification
Autor: Falconí Estrada, Lenin Gonzalo
Palabras clave: REDES NEURONALES
INTELIGENCIA ARTIFICIAL
CÁNCER DE MAMA
Fecha de publicación: 26-feb-2020
Editorial: Quito, 2020.
Citación: Falconí Estrada, L. G. (2020). Transfer and ensemble learning models in breast mammogram pathology classification. 145 hojas. Quito : EPN.
Resumen: Breast cancer is a global concern disease that specially affects women. Early detection of the disease, through mammography, increases life expectancy and reduces serious consequences of it. However, the sensitivity of mammography is variable; especially in dense breast. Therefore, it is important to develop cost effective tools that help to reduce the false positive and negative rates in the radiologist's diagnosis by providing a second opinion. Since year 2012, Deep Learning has achieved optimistic results in image classification, object detection, and image segmentation through convolutional neural networks. This master's thesis explores transfer learning, fine tuning, whole retrain, and ensemble learning techniques to classify mammogram masses as benign or malignant. For this purpose, 20 pre-trained convolutional neural networks on the ImageNet Dataset were compared. Furthermore, this work's proposed Automatic Soft Voting Ensemble (ASVE), which used a Perceptron to automatically tune the soft voting weights of the fine tuned convolutional neural networks ensemble, has achieved promising results on Inbreast (AUC = 98.2%), MIAS (AUC=97.8%), and in a merged dataset of both (AUC=91.8%). This suggests that this work's approach is suitable to be implemented in a computer aided diagnostic tool.
Descripción: El cáncer de mama es una enfermedad que afecta especialmente a la mujer. La detección temprana de la enfermedad, a través de la mamografía, aumenta la esperanza de vida y reduce las graves consecuencias de la misma. Sin embargo, la sensitividad de la mamografía es variable; especialmente en senos densos. Por ello, es importante desarrollar herramientas rentables que ayuden al diagnóstico del radiólogo al proporcionar una segunda opinión que reduzca la tasa de falsos positivos y negativos. Desde el año 2012, Deep Learning ha logrado resultados optimistas en clasificación, segmentación de imágenes y detección de objetos, a través de redes neuronales convolucionales. Esta tesis explora transfer learning, fine tuning, re-entrenamiento completo y técnicas de ensemble learning para la clasificar las masas mamográficas como benignas o malignas. Un total de 20 redes pre-entrenadas en el conjunto de datos ImageNet fueron comparadas. El modelo propuesto por esta tesis de Ensamble Automático de Voto Ponderado ha logrado resultados prometedores en Inbreast (AUC = 98.2 %), MIAS (AUC = 97.8%) y en un conjunto de datos combinado de ambas (AUC = 91.8%). Esto sugiere que el enfoque propuesto es adecuado para implementarse en una herramienta de diagnóstico asistida por computadora.
URI: http://bibdigital.epn.edu.ec/handle/15000/20853
Tipo: masterThesis
Aparece en las colecciones:Tesis Maestría en Ciencias de la Computación y Comercio Electrónico (FIS)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD 10373.pdf1,86 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.