Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2646| Aumento de imágenes usando una GAN condicional para clasificación de imágenes médicas. | |
| Héctor Anaya Sánchez | |
| Leopoldo Altamirano | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Image augmentation Data augmentation Generative AI Generative adversarial networks Deep learning Style transfer Lesion extraction | |
| El problema de la falta de datos y el desbalance en la clasificación de imágenes médicas es un desafío importante en la actualidad. Los objetivos y metas de esta investigación se centran en desarrollar una metodología basada en una Red Adversarial Generativa condicional (cGAN, conditional Generative Adversarial Networks) para aumentar la cantidad y diversidad de imágenes retinales, incorporando información relevante en la definición de la condición. Esta línea de investigación tiene como justificación mejorar la precisión y rendimiento de los sistemas de clasificación, lo que podría tener un impacto significativo en el diagnóstico y tratamiento de enfermedades. En el desarrollo de esta investigación, se emplearon Redes Adversariales Generativas Wasserstein con penalidad de gradiente (WGAN-GP, Wasserstein Generative Adversarial Network with Gradient Penalty), junto con técnicas de extracción de lesiones y transferencia de estilo para generar imágenes sintéticas de alta calidad. Los resultados obtenidos fueron evaluados utilizando métricas estándar de redes GAN, como la Distancia Frechet-Inception (FID, Frechet Inception Distance), el Error Cuadrático Medio (MSE, Mean Squeared Error ) y el Índice de Similitud Estructural (SSIM, Structural Similarity Index Measure). Los valores obtenidos de FID fueron bajos, indicando una alta similitud estadística entre las imágenes reales y generadas. El MSE y el SSIM también mostraron resultados favorables, sugiriendo que las imágenes generadas conservan la estructura y los detalles finos necesarios para un análisis preciso. Además, las imágenes sintéticas fueron sometidas a evaluación por expertos, quienes clasificaron las imágenes con una precisión del 56.66 %, lo que subraya la calidad y realismo de las imágenes generadas. Estos resultados demuestran que la metodología propuesta no solo puede aumentar la cantidad de datos disponibles, sino también mejorar su calidad, contribuyendo significativamente a la formación de modelos de diagnóstico más precisos. The problem of data scarcity and imbalance in the classification of medical images is a significant challenge today. The objectives and goals of this research focus on developing a methodology based on conditional Generative Adversarial Networks (cGAN) networks to increase the quantity and diversity of fundus images, incorporating relevant information into the condition definition. This line of research is justified by the potential to improve the accuracy and performance of classification systems, which could have a significant impact on the diagnosis and treatment of diseases. In the development of this research, Wassertein Generative Adversarial Networks with Gradient Penalty (WGAN-GP) were employed along with lesion extraction and style transfer techniques to generate high-quality synthetic images. The obtained results were evaluated using standard GAN metrics, such as Frechet Inception Distance (FID), Mean Squared Error (MSE), and Structural Similarity Index Measure (SSIM). The FID values were low, indicating a high statistical similarity between the real and generated images. The MSE and SSIM also showed favorable results, suggesting that the generated images retain the structure and fine details necessary for precise analysis. Additionally, the synthetic images were evaluated by experts, who classified the images with an accuracy of 58 %, highlighting the quality and realism of the generated images. These results demonstrate that the proposed methodology not only increases the available data quantity, but also improves its quality, significantly contributing to the development of more precise and robust diagnostic models. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-11 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Anaya Sánchez, H., (2024), Aumento de imágenes usando una GAN condicional para clasificación de imágenes médicas, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| OTRAS ESPECIALIDADES TECNOLÓGICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| ANAYASH_MCC.pdf | 2.44 MB | Adobe PDF | Visualizar/Abrir |