Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2469| Explicación de la segmentación semántica no supervisada para la detección de trastornos hematológicos. | |
| Jorge Gómez | |
| Raquel Diaz Hernandez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Explanaible artificial inteligence (XAI) Unsupervised learning Convolutinal Neuronal Networks RISE LIME SHAP | |
| La segmentación semántica no supervisada es una técnica en el campo de la visión por computadora que se utiliza para asignar automáticamente etiquetas o clases a los píxeles de una imagen. En el contexto de las imágenes sanguíneas, esta técnica desempeña un papel crucial en el diagnóstico, la automatización, la investigación y la toma de decisiones clínicas en el campo de los trastornos hematológicos. Su importancia radica en mejorar la precisión, la eficiencia y la comprensión de estas enfermedades, lo cual constituye la motivación principal de esta tesis. Para llevar a cabo este estudio, se utilizan imágenes provenientes de la base de datos PKG - C-NMC_Leukemia, cuya composición se describe detalladamente en el presente documento. El enfoque utilizado se basa en una red neuronal convolucional (CNN) que se entrena con imágenes en formato RGB. Además, se emplea el método de inteligencia artificial explicativa RISE (Randomized Input Sampling for Explanation) para generar mapas de calor y así obtener una comprensión más nítida de las decisiones efectuadas por el modelo; en el proceso de generación de mapas de calor mediante el método RISE, se utilizaron conjuntos de 3000, 5000 y 7000 máscaras aleatorias. Cada una de estas máscaras contribuyó a resaltar regiones particulares en las imágenes sanguíneas, subrayando así su importancia para la CNN. Este enfoque, al emplear diferentes cantidades de máscaras, permitió una exploración detallada de las áreas críticas que influyen en las decisiones del modelo. Es importante destacar que este enfoque se basa en el uso de datos no etiquetados y utiliza métodos de aprendizaje automático e inteligencia artificial para identificar y agrupar regiones en la imagen en función de sus características visuales, como color, textura y forma. La combinación de la segmentación semántica no supervisada y la inteligencia artificial explicativa permite identificar y delimitar las regiones de interés en las imágenes sanguíneas, mejorando así el diagnóstico de los trastornos hematológicos. Unsupervised semantic segmentation is a technique in the field of computer vision that is used to automatically assign labels or classes to pixels in an image. In the context of blood images, this technique plays a crucial role in the diagnosis, automation, research, and clinical decision-making in the field of hematological disorders. Its significance lies in improving the accuracy, efficiency, and understanding of these diseases, which is the main motivation of this thesis. To carry out this study, images from the PKG - C-NMC_Leukemia database are used, whose composition is described in detail in this document. The approach used is based on a convolutional neural network (CNN) that is trained with RGB format images. Additionally, the explanatory artificial intelligence method RISE (Randomized Input Sampling for Explanation) is employed to generate heatmaps that visualize the pixels relevant to the decisions made by the neural network. It is important to note that this approach is based on the use of unlabeled data and utilizes machine learning and artificial intelligence methods to identify and group regions in the image based on their visual characteristics such as color, texture, and shape. The combination of unsupervised semantic segmentation and explanatory artificial intelligence allows for the identification and delineation of regions of interest in blood images, thereby improving the diagnosis of hematological disorders. Furthermore, this approach facilitates task automation, accelerates scientific research in the field, and provides relevant information for informed clinical decision-making. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| 2023-09 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Gómez Arreola, J. R., (2023), Explicación de la segmentación semántica no supervisada para la detección de trastornos hematológicos, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES MÉDICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias y Tecnologías Biomédicas |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| GOMEZAJR_MCTB.pdf | 895 kB | Adobe PDF | Visualizar/Abrir |