https://riunet.upv.es/handle/10251/173390
Autor: José Javier Calvo Moratilla.
Director: Jon Ander , Gómez Adrian.
All rights reserved images: PAIP 2020 Challenge https://paip2020.grand-challenge.org/
All rights reserved code: PRHLT Research Group. https://www.prhlt.upv.es/wp/
Used Python wrapper for EDDL, the European Distributed Deep Learning library: https://github.com/deephealthproject/pyeddl
[ES] Las listas de espera de los hospitales españoles durante la pandemia del virus SARSCoV-2 han aumentado considerablemente y han dificultado el diagnóstico temprano de enfermedades como el cáncer. Para incrementar el rendimiento del personal sanitario reduciendo la carga de trabajo se propone la utilización de algoritmos de aprendizaje automático para detectar células cancerígenas dentro del área colorrectal. Se emplea la arquitectura U-Net con diferentes configuraciones para segmentar el área de la imagen médica donde se detecta la patología, ayudando al personal sanitario en la tarea del diagnóstico de enfermedades. El máximo rendimiento obtenido ha sido con la configuración sigmoid 1b con un 0,802630 de IoU. Se demuestra que la arquitectura de red propuesta entrena correctamente con el conjunto de datos obteniendo un buen rendimiento.
[CA] Les llistes d’espera dels hospitals espanyols durant la pandèmia del virus SARS-CoV2 han augmentat considerablement i han dificultat el diagnòstic primerenc de malalties com el càncer. Per a incrementar el rendiment del personal sanitari reduint la càrrega de treball es proposa la utilització d’algorismes d’aprenentatge automàtic per a detectar cèl·lules canceroses dins de l’àrea colorectal. S’empra l’arquitectura U-Net amb diferents configuracions per a segmentar l’àrea de l’imatge mèdica on es detecta la patologia, ajudant al personal sanitari en la tasca del diagnòstic de malalties. El màxim rendiment obtingut ha estat amb la configuració sigmoid 1b amb un 0,802630 de IoU. Es demostra que l’arquitectura de xarxa proposada entrena correctament amb el conjunt de dades obtenint un bon rendiment.
[EN] Waiting lists in Spanish hospitals during the SARS-CoV-2 pandemic have increased considerably and have hindered the early diagnosis of diseases such as cancer. To increase the performance of healthcare personnel by reducing the workload, the use of machine learning algorithms to detect cancer cells within the colorectal area is proposed. The U-Net architecture is used with different configurations to segment the area of the medical image where the pathology is detected, helping health personnel in the task of disease diagnosis. The maximum performance obtained has been with the configuration sigmoid 1b with a 0.802630 of IoU. It is demonstrated that the proposed network architecture trains correctly with the data set obtaining a good performance.