Transfer and ensemble learning models in breast mammogram pathology classification
Falconí Estrada, Lenin Gonzalo · 2020
El cancer de mama es una enfermedad que afecta especialmente a la mujer. La deteccion temprana de la enfermedad, a traves de la mamografia, aumenta la esperanza de vida y reduce las graves consecuencias de la misma. Sin embargo, la sensitividad de la mamografia es variable; especialmente en senos densos. Por ello, es importante desarrollar herramientas rentables que ayuden al diagnostico del radiologo al proporcionar una segunda opinion que reduzca la tasa de falsos positivos y negativos. Desde el ano 2012, Deep Learning ha logrado resultados optimistas en clasificacion, segmentacion de imagenes y deteccion de objetos, a traves de redes neuronales convolucionales. Esta tesis explora transfer learning, fine tuning, re-entrenamiento completo y tecnicas de ensemble learning para la clasificar las masas mamograficas como benignas o malignas. Un total de 20 redes pre-entrenadas en el conjunto de datos ImageNet fueron comparadas. El modelo propuesto por esta tesis de Ensamble Automatico de Voto Ponderado ha logrado resultados prometedores en Inbreast (AUC = 98.2 %), MIAS (AUC = 97.8%) y en un conjunto de datos combinado de ambas (AUC = 91.8%). Esto sugiere que el enfoque propuesto es adecuado para implementarse en una herramienta de diagnostico asistida por computadora.