Este respositorio tiene como objetivo contener el código que se ha necesitado para la elaboración del TFM AYUDA AL DIAGNÓSTICO MÉDICO MEDIANTE REDES NEURONALES del MÁSTER UNIVERSITARIO EN GESTIÓN Y ANÁLISIS DE GRANDES VOLÚMENES DE DATOS: BIG DATA de donde se desprenden los puntos siguientes:
- Convolutional-Regular: Se muestra el código utilizado para desarrollar cuatro propuestas genuinas de redes convolucionales para la clasificación de acuerdo a las cuatro clases de estudio.
- Red Convolucional 1: Red convolucional clásica
- Red Convolucional 2: Red convolucional clásica con class weight para disminuir el efecto del dataset desequilibrado.
- Red Convolucional 3: Red convolucional clásica con más filtro convolucionales en las capas iniciales para reforzar la captación de patrones en los pulmones.
- Red Convolucional 4: Red convolucional clásica con más filtros en todas sus capas.
- Transfer Learning: Código que recoge los cinco modelos preentrenados estudiados que a su vez se dividen en tres casos:
- Modelo Base
- Modelo Base + 2 capas densas
- Modelo Base + 2 capas densas + últimas capas entrenables
- Segmentación: Como trabajo paralelo se plantea la posibilidad de usar un segmentador mediante el desarrollo de una nueva red de visión artificial denominada
Unet
que permitirá crear máscaras a cada imagen dividiéndola en dos área [0:negro, 1:blanco]. Una vez creada la segmentación se aplica al dataset original superponiendo máscar y original. Siguiendo las lecciones aprendidas de apartados anteriores solo se han estudiado tres arquitecturas de red de acuerdo con este nuevo dataset. redes propuestas.
-
Visualización de capas convolucionales: El código describe la metodología necesaria para visualizar la salida de las capas convolucionales, permitiéndonos entender con mayor profundidad los patrones aprendidos por cada filtro.
-
GradCAM: Con esta técnica se consigue visualizar a través de un mapa de colores la última capa convolucional de una determinada red pudiendo intuir las principales características que el clasificador ha determinado genuinas para esa categoría e imagen en particular.
-
Applicación: Se presenta el modelo de una aplicación sencilla que trata de recoger la esencia de este trabajo, ofrecer una alternativa viables a un problema de aprendizaje automático. Esta aplicación tiene un funcionamiento sencillo, nos pedirá la radiografía a analizar y devolverá la afección predicha junto con la imagen original y un mapa de colores de acuerdo a la técnica gradCAM indicando los puntos críticos de dicha imagen. Lung-Disease-Classifier-app
-
Visual Transformer: Esta técnica todavía incipiente ofrece un nuevo enfoque para la resolución de problemas de visión artificial basado en el
embedding
y el concepto de atención que permite encontrar relaciones entre las partes esenciales del modelo, los denominadospatches
. -
División de una imágen en 196
patches
de tamaño 16x16: