Citas bibligráficas
Esta es una referencia generada automáticamente. Modifíquela de ser necesario
Rojas, G., (2022). Clasificación de leucocitos en imágenes microscópicas de frotis sanguíneo usando machine learning y CNN [Universidad Andina del Cusco]. https://hdl.handle.net/20.500.12557/4799
Rojas, G., Clasificación de leucocitos en imágenes microscópicas de frotis sanguíneo usando machine learning y CNN []. PE: Universidad Andina del Cusco; 2022. https://hdl.handle.net/20.500.12557/4799
@misc{renati/958067,
title = "Clasificación de leucocitos en imágenes microscópicas de frotis sanguíneo usando machine learning y CNN",
author = "Rojas Alvarez, Gonzalo",
publisher = "Universidad Andina del Cusco",
year = "2022"
}
Título: Clasificación de leucocitos en imágenes microscópicas de frotis sanguíneo usando machine learning y CNN
Autor(es): Rojas Alvarez, Gonzalo
Asesor(es): Molero Delgado, Iván
Palabras clave: Dataset; Preprocesamiento de datos; Pruebas de predicción
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 26-abr-2022
Institución: Universidad Andina del Cusco
Resumen: El problema principal de las formas actuales de realizar la clasificación de leucocitos es
que solo tenemos dos opciones más comunes en el mercado, se utiliza una maquinaria de
alto coste para poder hacer el procedimiento de clasificación o un técnico de laboratorio
lo tiene que hacer manualmente con una muestra y un microscopio.
El objetivó de esta investigación es poder validar un tercer camino el cual utiliza
tecnologías que tuvieron un gran avance recientemente en el mercado como lo son
machine learning (más específicamente las Redes Neuronales Convolucionales) para la
creación de nuevas soluciones con Inteligencia Artificial.
Con este objetivo en mente se siguieron varios pasos. El primero es la identificación del
grado de error de los procesos manuales y automatizados. Para este objetivo, se realiza
un análisis bibliográfico y se determinó que el promedio de grado de error de los procesos
manuales y automatizados son de 18.33 % y 3.59 % respectivamente. Y para la
investigación se decidió utilizar un grado de error mínimo de 5 %. La solución que
cumplió con este valor seleccionado tiene garantizado ser una solución mejor que el
procedimiento manual y ser comparable con procedimientos automatizados realizados
por maquinaria especializada.
Para la obtención del dataset, el cual fue utilizado en los procesos de entrenamiento
validación y testeo de los modelos de redes neuronales, se decidió utilizar datos de
investigaciones previas realizadas por entidades de diferentes partes del mundo y
publicados para su uso en investigación. Se utilizaron 4 fuentes de datos los cuales nos
dieron un dataset diverso de 37760 muestras.
Como el dataset obtenido tenía una deficiencia de pocas muestras de un tipo especifico
de leucocitos. Se decidió utilizar la técnica de preprocesamiento de datos llamada Data
Augmentation; el cual, usando variaciones de rotación, flip, iluminación (valor gamma)
y ruido gaussiano permitió aumentar el número de muestras a 59877.
Se procedió a realizar iteraciones para la detección de la estructura del modelo de red
neuronal convolucional. Durante estas iteraciones se decidió utilizar técnicas contra el
overfitting (el cual es uno de los principales problemas que pueden presentar las redes
neuronales). Las técnicas las cuales se utilizaron fueron reducción de complejidad de la
estructura de modelo, valores de regularización y capas de DropOut (capas que eliminan aleatoriamente entradas de una capa oculta de la red neuronal). Todas estas técnicas se
vieron efectivas ya que con su ayuda se logró determinar un modelo el cual cumplía con
nuestro grado de error mínimo.
El ultimo paso fue un proceso de testeo, en este paso se realizaron las pruebas de
predicción de uno a uno, uso de la función de evaluación propio de la framework de keras,
generación de 129 dataset de 500 imágenes cada uno para prode verificar resultado
obtenido con la función de evaluación previamente utilizado y generación de matriz de
confusión para poder ver diferentes resultados de predicción.
Enlace al repositorio: https://hdl.handle.net/20.500.12557/4799
Disciplina académico-profesional: Ingeniería de Sistemas
Institución que otorga el grado o título: Universidad Andina del Cusco. Facultad de Ingeniería y Arquitectura
Grado o título: Ingeniero de Sistemas
Jurado: Carrasco Poblete, Edwin; Cuba Del Castillo, Maria Yornet; Nuñez Pacheco, Maruja; Del Carpio Cuentas, Luis Enrique
Fecha de registro: 25-ago-2022
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons