Fecha
2024-09-01
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Citas
0 citas en 
0 citas en 
Resumen
La segmentación semántica para detección de tumores mamarios en imágenes de ultrasonido utilizando aprendizaje profundo es un problema de alta complejidad técnica. La deriva actual de la investigación sobre este caso de uso consiste en aumentar la potencia predictiva de los modelos por medio del incremento del tamaño de los modelos en sí. En este trabajo, por el contrario, se apuesta por la eficiencia para disminuir la latencia en la respuesta, aumentar la accesibilidad y disminuir el coste computacional y el consecuente impacto medioambiental. Con este objetivo en mente, se aplica la arquitectura EFSNet a los datos abiertos BUSI. EFSNet es de la familia de las U-Net y cuenta con 179k parámetros (143Mb en inferencia) posicionándose como una de las arquitecturas más livianas del estado del arte. En los experimentos realizados sobre el conjunto de datos BUSI se obtiene un 94,06% de accuracy, un 70,44% de dsc y un 58,14% de mIoU, y se comprueba una efectividad similar a la obtenida con modelos de varios órdenes de magnitud más de parámetros. Además, EFSNet muestra un tiempo de inferencia de 82 imágenes por segundo (FPS) en una única tarjeta gráfica (GPU) NVidia GeForce 4060 RTX que permite la inferencia en tiempo real. Comparado con el estado del arte la solución presentada obtiene predicciones precisas con un consumo de recursos extremadamente bajo.
Semantic segmentation for breast tumor detection on ultrasound images using deep learning is a problem of high technical complexity. The current drift of research on this use case is to increase the predictive power of the models by increasing the size of the models themselves. In this work, on the contrary, we focus on e ciency to reduce response latency, increase accessibility and reduce computational cost and the consequent environmental impact. To achieve this goal the EFSNet architecture is applied to BUSI open dataset. EFSNet is from the U-Net family and has 179k parameters (143Mb in inference), positioning itself as one of the lightest architectures in the state of the art. In the experiments carried out on the BUSI Dataset, 94,06% accuracy, 70,44% dsc and 58,14% mIoU are obtained, and an e ectiveness similar to that obtained with models with several orders of magnitude more parameters is veri ed. Additionally, EFSNet displays an inference time of 82 frames per second (FPS) on a single NVidia GeForce 4060 RTX graphics card (GPU) enabling real-time inference. Compared to the state of the art, the presented solution obtains accurate predictions with extremely low resource consumption.
Semantic segmentation for breast tumor detection on ultrasound images using deep learning is a problem of high technical complexity. The current drift of research on this use case is to increase the predictive power of the models by increasing the size of the models themselves. In this work, on the contrary, we focus on e ciency to reduce response latency, increase accessibility and reduce computational cost and the consequent environmental impact. To achieve this goal the EFSNet architecture is applied to BUSI open dataset. EFSNet is from the U-Net family and has 179k parameters (143Mb in inference), positioning itself as one of the lightest architectures in the state of the art. In the experiments carried out on the BUSI Dataset, 94,06% accuracy, 70,44% dsc and 58,14% mIoU are obtained, and an e ectiveness similar to that obtained with models with several orders of magnitude more parameters is veri ed. Additionally, EFSNet displays an inference time of 82 frames per second (FPS) on a single NVidia GeForce 4060 RTX graphics card (GPU) enabling real-time inference. Compared to the state of the art, the presented solution obtains accurate predictions with extremely low resource consumption.
Descripción
Categorías UNESCO
Palabras clave
EFSNet, segmentación semántica, recursos limitados, tiempo real, tumores mamarios, imágenes de ultrasonido, EFSNet, semantic segmentation, resource constrained, real time, breast tumor, ultrasound images
Citación
González-Novo Hueso, Jaime. Trabajo Fin de Máster: Segmentación Semántica Eficiente para Detección de Tumores en Ecografías Mamarias en Tiempo Real. Universidad Nacional de Educación a Distancia (UNED), 2024
Centro
E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial