Selección de canales en redes neuronales convolucionales mediante dropout

Abstract

En la actualidad, la tecnología juega un papel fundamental en la medicina, consiguiendo grandes avances sobre todo en el diagnóstico de enfermedades gracias a la inteligencia artificial. En este proyecto, he intentado añadir mi propia contribución a una investigación que se lleva a cabo desde hace años en la ULL y de la cual forma parte mi tutor. Dicha investigación tiene como objetivo el diagnóstico prematuro del glaucoma, una enfermedad con una prevalencia significativa que puede llegar a acabar en una ceguera permanente si no se interviene a tiempo. Para este fin, se está trabajando con redes neuronales convolucionales que constituyen el núcleo de este trabajo. A pesar de que se han obtenido buenos resultados con estas redes, se ha comprobado que el rendimiento de las mismas disminuye considerablemente si tienen que enfrentarse a imágenes capturadas con cámaras diferentes en circunstancias diferentes. A la vista de este problema, en este Trabajo Fin de Grado se plantea un nuevo método que permite adaptar las redes ya entrenadas a muestras diferentes de las usadas en el entrenamiento a través de un proceso de selección de canales de las capas de la red. Este método está inspirado en los métodos clásicos de selección de características en Machine Learning, utilizando en nuestro caso la técnica de Dropout para desactivar o eliminar de forma efectiva los canales en la red. Los resultados encontrados son prometedores y parecen confirmar la validez del método.

Nowadays, technology plays a fundamental role in the medicine field, progressing greatly, specially in the diagnose of diseases thanks to artificial intelligence. In this project, I have tried to add my own contribution to an investigation that has been carried out in the ULL for many years and that my tutor takes part in. Said investigation's aim is the premature diagnose of the glaucoma, a disease with significant prevalence that can lead to permanent blindness if there is no interveneance. To this end, we are working with convolutional neural networks which constitute the nucleus of this project. Although optimal results have been obtained with these networks, it has been proved that the efficiency of these dicreases considerably if they have to confront images captured with different cameras in different circumstances. In sight of this problem, in this Tfg we will present a new method that allows to adjust the already trained networks to different samples than the used ones in the training through a selection process of channels of the layers of the network. This method is inspired in the classical methods of characteristic selection in Machine Learning, using in our project the technique of Dropout to deactivate or remove effectively the network channels. The found results are promising and seem to confirm the validity of the method.