Clasificación de imágenes médicas utilizando Redes Neuronales.

Abstract

Modelos de Redes Neuronales Convolucionales de gran prestigio en la literatura científica fueron implementados para tareas de clasificación de imágenes médicas. El principal objetivo de esta memoria fue generar una base de datos de carácter educativo para el aprendizaje de la implementación y optimización de estos algoritmos. La construcción de esta base de datos, que consiste en tutoriales desarrollados en lenguaje de programación Python utilizando herramientas open-source como Google Colab y bases de datos públicas de imágenes médicas, requirió de un exhaustivo estudio para encontrar los modelos y configuraciones óptimos para cada problema. Los modelos estudiados fueron VGG-16, ResNet-50 e Inception-V3, y las bases de datos seleccionadas fueron tres. La primera (TC) incluye imágenes de resonancia magnética (MRI) de tres tipos de tumores cerebrales: meningioma, glioma y pituitario. La segunda base de datos (C19) es sobre Covid-19 e incluye imágenes de radiografía de tórax pertenecientes a las clases normal, neumonia y covid. La tercera base de datos (ER) es una colección de imágenes de fondo de retina dividida en dos clases: retinas sanas y enfermas. La clasificación implementada fue de tipo multiclase para las bases de datos TC y C19, y de tipo binaria para ER. El estudio fue dividido en una serie de etapas que cubrieron el efecto que distintos valores para los hiperparámetros batch-size y learning-rate poseen sobre el rendimiento de la clasificación, además de la aplicación de las técnicas de aumento de datos y fine-tuning para mejorarlo.