Localización e identificación automática de pólipos mediante una red neuronal convolucional por regiones

• Luna Perejon, Francisco ^[1] ; Duran López, Lourdes ^[1] ; Amaya Rodríguez, Isabel ^[1] ; Civit Masot, Javier ^[1] ; Civit Balcells, Antón ^[1] ; Vicente Díaz, Saturnino ^[1] ; Linares Barranco, Alejandro ^[1]
  1. [1] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     
• Localización: Avances en la investigación en ciencia e ingeniería / Ana María Beltrán Custodio (ed. lit.), Manuel Félix Angel (ed. lit.), 2019, ISBN 978-84-120057-2-1, págs. 139-147
• Idioma: español
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen
  • español

    Este trabajo expone la metodología llevada a cabo para la aplicación de un modelo Deep Learning con el fin de detectar pólipos de forma automática, así como su posición en videos de colonoscopia. Se plantearon diferentes métodos y diversas técnicas que pudieran aplicarse sobre el conjunto de datos proporcionado por el 2018 Sub-challenge Gastrointestinal Image ANAlysis. Seleccionamos el método Faster Regional Convolutional Neural Network para abarcar el problema planteado. Para la extracción de características empleamos el modelo ResNet50. Aplicamos técnicas de data augmentation para incrementar el conjunto de datos empleado en el entrenamiento del modelo. También aplicamos hard negative mining para reforzar el aprendizaje del background o fondo, reducir el porcentaje de falsos positivos y mejorar el rendimiento.

  • English

    This work exposes the methodology carried out for the application of a Deep Learning model in the context of automatic polyp detection and its location in colonoscopy videos. Different methods were proposed as well as the different techniques that can be applied on the given dataset provided by the 2018 Sub-challenge Gastrointestinal Image ANAlysis. We chose the Faster Regional Convolutional Neural Network method to solve this problem. We used ResNet50 in the first part of this algorithm to extract the main image features. We applied hard negative mining and data augmentation techniques to increase the dataset used in the training of the model. We also used hard negative mining to get a better learning of background, reducing false negatives and improving the performance.