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

• Autores: Liberman, Gastón Elías
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Acevedo, Daniel Germán
• Materia: CLASIFICACIÓN DE MELANOMA; ENTRENAMIENTO PROFUNDO DE REDES NEURONALES; VECTORES DE FISHER; MELANOMA CLASSIFICATION; DEEP LEARNING; FISHER VECTORS
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

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.