Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2605| Explicaciones Visuales Post Hoc (XAI): Un enfoque orientado hacia la Leucemia Linfoblástica Aguda | |
| Jose de Jesus Velazquez Arreola | |
| Raquel Diaz Hernandez | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Explainable Artificial Intelligence (XAI) Convolutional Neural Network (CNN) Heatmaps Acute Lymphoblastic Leukemia (ALL) Cell Morphology | |
| En este estudio se evaluaron las características morfológicas de componentes sanguíneos en imágenes mediante métodos de generación de mapas de relevancia, parte de la Inteligencia Artificial Explicativa (XAI). Se usaron seis métodos (Gradient, ABS Gradient, GradientInput, LRPz, Deep Taylor y Grad-CAM) sobre seis arquitecturas de redes neuronales convolucionales (VGG-16, VGG-19, MobileNet V1, ResNet18, ResNet50 y GoogleNet). La evaluación se realizó en dos fases, empleando las bases de datos “The Cancer Imaging Archive” y “ALL-IDB2”. En la primera fase, expertos hematólogos concluyeron que la combinación del método Gradient*Input con los modelos VGG-19 y ResNet50 fue la más efectiva en imágenes segmentadas. En la segunda fase, el modelo GoogleNet combinado con Grad-CAM mostró una mayor precisión en imágenes sin segmentar. La principal contribución de este estudio es la validación de diversas configuraciones de CNN y métodos de generación de mapas de relevancia, sugiriendo la integración de otros tipos de XAI para mejorar el diagnóstico de la ALL. This study evaluated the morphological characteristics of blood components in images using relevance map generation methods, part of Explainable Artificial Intelligence (XAI). Six methods (Gradient, ABS Gradient, Gradient*Input, LRPz, Deep Taylor, and Grad-CAM) were applied to six convolutional neural network architectures (VGG-16, VGG-19, MobileNet V1, ResNet18, ResNet50, and GoogleNet). The evaluation was conducted in two phases, using the databases "The Cancer Imaging Archive" and "ALL-IDB2". Expert hematologists concluded that combining the Gradient*Input method with the VGG-19 and ResNet50 models was the most effective in segmented images. In the second phase, the GoogleNet model combined with Grad-CAM showed a 43.61% accuracy in unsegmented images. The main contribution of this study is the validation of different configurations of CNNs and relevance map generation methods, suggesting the integration of other types of XAI to improve ALL diagnoses. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-08 | |
| Tesis de doctorado | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Velázquez Arreola, J. J., (2024), Explicaciones Visuales Post Hoc (XAI): Un enfoque orientado hacia la Leucemia Linfoblástica Aguda, Tesis de Doctorado, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES MÉDICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Doctorado en Ciencias y Tecnologías Biomédicas |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| VELAZQUEZAJJ_DCTB.pdf | 2.55 MB | Adobe PDF | Visualizar/Abrir |