Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher

Mostrar todas las versiones(3)

El presente trabajo corresponde a la aplicación de técnicas de minería de datos y al entrenamiento profundo de redes neuronales (deep learning) con el objetivo de clasificar las imágenes de lesiones cutáneas pigmentadas en “Melanoma” o “No Melanoma”. Para tal fin, se creará un Ensamble de 3 clasific...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Liberman, Gastón Elías
Otros Autores:	Acevedo, Daniel Germán
Formato:	Tesis de maestría publishedVersion
Lenguaje:	Español
Publicado:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2019
Materias:	CLASIFICACIÓN DE MELANOMA ENTRENAMIENTO PROFUNDO DE REDES NEURONALES VECTORES DE FISHER MELANOMA CLASSIFICATION DEEP LEARNING FISHER VECTORS
Acceso en línea:	https://hdl.handle.net/20.500.12110/tesis_n6682_Liberman
Aporte de:	Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires

id	tesis:tesis_n6682_Liberman
record_format	dspace
spelling	tesis:tesis_n6682_Liberman2025-09-10T15:58:40Z Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher Liberman, Gastón Elías Acevedo, Daniel Germán CLASIFICACIÓN DE MELANOMA ENTRENAMIENTO PROFUNDO DE REDES NEURONALES VECTORES DE FISHER MELANOMA CLASSIFICATION DEEP LEARNING FISHER VECTORS El presente trabajo corresponde a la aplicación de técnicas de minería de datos y al entrenamiento profundo de redes neuronales (deep learning) con el objetivo de clasificar las imágenes de lesiones cutáneas pigmentadas en “Melanoma” o “No Melanoma”. Para tal fin, se creará un Ensamble de 3 clasificadores. El primero corresponde a la red convolucional VGG-16, los otros 2 corresponden a 2 Modelos Híbridos. Cada Modelo Híbrido está compuesto por una red convolucional (la VGG-16 sin las capas totalmente conectadas) y una máquina de vectores de soporte (SVM) como clasificador. Estos clasificadores serán entrenados con los vectores de Fisher (FVs) calculados con los descriptores que son la salida de la red convolucional mencionada anteriormente. La diferencia entre los 2 Modelos Híbridos radica en que uno tiene a las imágenes segmentadas como input de la red convolucional, mientras que el otro utiliza las imágenes sin segmentar. La segmentación se realiza mediante una red custom (TernausNet-16) que sigue la filosofía de la U-Net. Por último, se analizará la performance del Modelo Híbrido, el de la red convolucional VGG-16 y el del Ensamble que incorpora los 3 clasificadores (Modelos Híbridos y la red convolucional VGG-16 ). This work discusses the application of data mining techniques and the deep training of neural networks (deep learning) with the objective of classifying images of pigmented skin lesions into "Melanoma" or "Non-Melanoma." An ensemble of 3 classifiers will be created for this purpose. The first one corresponds to a VGG-16 convolutional network, while the other 2 correspond to 2 Hybrid Models. Each Hybrid Model is composed of a convolutional neural network (VGG-16 without the fully connected layers) and a support vector machine (SVM) as a classifier. These classifiers will be trained with the Fisher vectors (FVs) that are calculated using the descriptors that are output by the aforementioned convolutional neural network. The difference between these 2 Hybrid Models lies in the fact that one has segmented images as an input for the convolutional network, while the other uses non-segmented images. The segmentation is performed by means of a custom network (TernausNet-16) that follows the U-Net philosophy. Finally, we will analyze the performance of the Hybrid Model, the VGG-16 convolutional network and the Ensemble that incorporates the 3 classifiers (Hybrids Models and the VGG-16 convolutional network). Fil: Liberman, Gastón Elías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2019-05-13 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n6682_Liberman
institution	Universidad de Buenos Aires
institution_str	I-28
repository_str	R-134
collection	Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language	Español
orig_language_str_mv	spa
topic	CLASIFICACIÓN DE MELANOMA ENTRENAMIENTO PROFUNDO DE REDES NEURONALES VECTORES DE FISHER MELANOMA CLASSIFICATION DEEP LEARNING FISHER VECTORS
spellingShingle	CLASIFICACIÓN DE MELANOMA ENTRENAMIENTO PROFUNDO DE REDES NEURONALES VECTORES DE FISHER MELANOMA CLASSIFICATION DEEP LEARNING FISHER VECTORS Liberman, Gastón Elías Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
topic_facet	CLASIFICACIÓN DE MELANOMA ENTRENAMIENTO PROFUNDO DE REDES NEURONALES VECTORES DE FISHER MELANOMA CLASSIFICATION DEEP LEARNING FISHER VECTORS
description	El presente trabajo corresponde a la aplicación de técnicas de minería de datos y al entrenamiento profundo de redes neuronales (deep learning) con el objetivo de clasificar las imágenes de lesiones cutáneas pigmentadas en “Melanoma” o “No Melanoma”. Para tal fin, se creará un Ensamble de 3 clasificadores. El primero corresponde a la red convolucional VGG-16, los otros 2 corresponden a 2 Modelos Híbridos. Cada Modelo Híbrido está compuesto por una red convolucional (la VGG-16 sin las capas totalmente conectadas) y una máquina de vectores de soporte (SVM) como clasificador. Estos clasificadores serán entrenados con los vectores de Fisher (FVs) calculados con los descriptores que son la salida de la red convolucional mencionada anteriormente. La diferencia entre los 2 Modelos Híbridos radica en que uno tiene a las imágenes segmentadas como input de la red convolucional, mientras que el otro utiliza las imágenes sin segmentar. La segmentación se realiza mediante una red custom (TernausNet-16) que sigue la filosofía de la U-Net. Por último, se analizará la performance del Modelo Híbrido, el de la red convolucional VGG-16 y el del Ensamble que incorpora los 3 clasificadores (Modelos Híbridos y la red convolucional VGG-16 ).
author2	Acevedo, Daniel Germán
author_facet	Acevedo, Daniel Germán Liberman, Gastón Elías
format	Tesis de maestría Tesis de maestría publishedVersion
author	Liberman, Gastón Elías
author_sort	Liberman, Gastón Elías
title	Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
title_short	Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
title_full	Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
title_fullStr	Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
title_full_unstemmed	Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher
title_sort	clasificación de imágenes de melanomas mediante redes profundas y vectores de fisher
publisher	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate	2019
url	https://hdl.handle.net/20.500.12110/tesis_n6682_Liberman
work_keys_str_mv	AT libermangastonelias clasificaciondeimagenesdemelanomasmedianteredesprofundasyvectoresdefisher
_version_	1851368643868229632

Clasificación de imágenes de melanomas mediante redes profundas y vectores de Fisher

Ejemplares similares