Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10662/13625
Títulos: Mejoras en la detección, localización y segmentación automática de pólipos colorrectales basadas en técnicas de aprendizaje profundo
Autores/as: Sánchez Peralta, Luisa Fernanda
Director/a: Pagador Carrasco, José Blas
Picón Ruiz, Artzai
Palabras clave: Aprendizaje profundo;Pólipos;Cáncer colorrectal;Deep learning;Polyps;Colorectal cancer;Colonoscopia;Detección;Conjunto de datos;Dataset;Detection;Colonoscopy
Fecha de publicación: 2021
Resumen: El cáncer colorrectal es una de las principales causas de muerte en países desarrollados, siendo la detección precoz la principal estrategia para reducir su incidencia, ya que la tasa de supervivencia aumenta si el cáncer se detecta en fase inicial. La colonoscopia es la técnica diagnóstica habitual para la detección y tratamiento de pólipos colorrectales. En los últimos años, los sistemas de inteligencia artificial basados en aprendizaje se han aplicado con gran éxito en tareas relacionadas con la visión por ordenador en las que se cuenta con volúmenes ingentes de datos. De igual manera, el aprendizaje profundo ha comenzado a aplicarse en el ámbito médico, donde ha llegado a obtener resultados comparables a los obtenidos por expertos clínicos. No obstante, presenta un problema general que radica en la cantidad limitada de información disponible. El objetivo principal de esta tesis es mejorar la detección, localización y segmentación automática de pólipos colorrectales aplicando tecnologías de aprendizaje profundo. Para ello, se han analizado las necesidades clínicas y se ha realizado una revisión sistemática para contextualizar el estado del arte de dichos métodos. Posteriormente se ha realizado un análisis de diferentes transformaciones y rangos para la estrategia de aumento de datos y se ha propuesto una nueva función de pérdida, eigenloss, basada en un análisis de componentes principales. Se ha creado también un conjunto de datos de acceso abierto con 3.433 imágenes manualmente segmentadas y puestas a disposición de la comunidad científica, junto con una comparativa de diferentes modelos y conjuntos de datos.
Colorectal cancer is one of the leading death causes in developed countries. Early detection is the main strategy to reduce the incidence of colorectal cancer, as the survival rate increases if the cancer is detected at an early stage. Colonoscopy is the diagnostic technique most commonly used for the detection and treatment of colorectal polyps. In recent years, artificial intelligence systems based on deep learning have been applied with great success in several computer vision-related tasks involving huge data volumes. Similarly, deep learning has started to be applied in the medical field, where it has achieved results comparable to those obtained by clinical experts. However, it presents a general challenge that lies in the limited amount of information available, since the generation of the dataset requires expert clinical knowledge by practitioners who usually have little time available. The main objective of this thesis is to improve the automatic detection, localisation and segmentation of colorectal polyps by applying deep learning technologies. To this end, a needs analysis and a systematic review have been carried out to contextualise the state of the art of these methods. Subsequently, an analysis of different transforms and ranks for the data augmentation strategy has been performed and a new loss function, eigenloss, based on principal component analysis has been proposed. An open access dataset has also been created including 3,433 manually segmented images and made available to the scientific community, together with a comparison of different models and datasets.
Descripción: Tesis por compendio de publicaciones
Programa de Doctorado en Tecnologías Informáticas (TIN) por la Universidad de Extremadura
URI: http://hdl.handle.net/10662/13625
Colección:DTCYC - Tesis doctorales
Tesis doctorales

Archivos
Archivo Descripción TamañoFormato 
TDUEX_2021_Sánchez_Peralta.pdf82,07 MBAdobe PDFDescargar


Este elemento está sujeto a una licencia Licencia Creative Commons Creative Commons