Aprendizaje federado aplicado al diagnóstico de tumores mamarios en imágenes de ultrasonido

Buenestado Cortés, Miguel. (2022). Aprendizaje federado aplicado al diagnóstico de tumores mamarios en imágenes de ultrasonido Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Buenestado_Cortes_MiguelTFM.pdf Buenestado_Cortes_MiguelTFM.pdf application/pdf 11.02MB

Título Aprendizaje federado aplicado al diagnóstico de tumores mamarios en imágenes de ultrasonido
Autor(es) Buenestado Cortés, Miguel
Resumen En el campo de la medicina, el aprendizaje automático se erige como una herramienta poderosa y eficaz en la automatización de la tarea del diagnóstico por imagen, mediante la creación de modelos informáticos predictivos. Para lograr resultados con un alto grado de fiabilidad, dichos modelos requieren de grandes volúmenes de datos para su aprendizaje, característica poco frecuente en contextos reales, pues organismos e instituciones médicas, individualmente, no suelen disponer de tales cantidades de información. Idealmente, ésta podría ser compartida y cedida mutuamente en busca de un fin común, pero esto resulta altamente improbable, dadas las regulaciones imperantes en la actualidad en torno a la propiedad intelectual y la privacidad de datos médicos de pacientes. A fin de superar tales escollos, surge el paradigma del aprendizaje federado (federated learning). En este Trabajo Fin de Master, aplicamos dicho paradigma en un caso de aplicación concreto (detección de tumores mamarios en imágenes de ultrasonidos), empleando tecnología y técnicas específicas de federación (la librería TensorFlow Federated; la agregación federada estándar, Federated Average, y variantes de la misma), con las que entrenamos modelos predictivos sobre diferentes combinaciones de datasets. Evaluaremos la idoneidad y eficacia de dichos modelos federados, tanto por sí mismos como en comparación con resultados análogos derivados de un aprendizaje clásico. Exponemos que el aprendizaje federado puede alcanzar, bajo ciertas configuraciones, cotas de eficacia similares a las de un aprendizaje clásico. El presente documento se articula, primero, con la introducción de los conceptos clave tocantes al propio caso de estudio: el problema a resolver en cuestión (segmentación de imágenes de ultrasonido), los aspectos concretos del aprendizaje automático que han ayudado a resolverlo (modelo de aprendizaje profundo, una red neuronal convolutiva U-Net) y profundizaremos en los fundamentos del paradigma de aprendizaje federado. Posteriormente, se detallará la metodología aplicada durante el desarrollo del proyecto y se expondrán los resultados derivados del mismo. Finalmente, abordaremos las conclusiones de dichos resultados, así como las limitaciones y posibles mejoras en el ámbito del presente trabajo y del aprendizaje federado, en particular.
Abstract Machine Learning has emerged as a powerful and efficient tool for automating tasks such as diagnostic medical imaging (also known as Computed-Aided Diagnosis, CAD) via predictive computing models creation. In order to reach high peaks of reliability, those intelligent creations may require large amounts of data, although such characteristic may be quite a challenge for a single institution under realistic contexts within the medical imaging domain. Ideally, organizations could share their data to a centralized location, thus achieving a common goal. However, that is unlikely to happen due to legal regulations with regards to patient data privacy and data-ownership. As a means to overcome those barriers, federated learning arises. The present Master Final Project is intended to apply the federated learning paradigm for a specific case of study (breast tumour detection in ultrasound images) and by using specific federation technology and techniques (the TensorFlow Federated library by means of the standard federated aggregation algorithm, Federated Average, plus several modification branches). We will analyse the suitability and efficiency of the resulting federated models and compare them with a classical Machine Learning model (i.e., trained on centralized data). We will outline that some federated learning trials have proven to yield a similar degree of efficiency as a classical learning model. As a guide for this document, first, we will introduce the key concepts related to the present case: the task at hand (breast ultrasound image segmentation), the Machine Learning techniques implemented (a Deep Learning, convolutional neural network model: U-Net) and the principles of federated learning. Then, we will detail the methodology applied in the project and results will be presented. Finally, we will expose our conclusions and final thoughts derived from the project execution: its limitations and future improvements likely to be tackled both for the present case and, particularly, for progressing on further research around federated learning .
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave Deep Learning
federated learning
image segmentation
breast ultrasound imaging
breast cancer detection
TensorFlow
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Cuadra Troncoso, José Manuel
Rincón Zamorano, Mariano
Fecha 2022-02
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Mbuenestado
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Mbuenestado
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 367 Visitas, 297 Descargas  -  Estadísticas en detalle
Creado: Thu, 10 Mar 2022, 19:36:36 CET