| dc.description.abstract | RESUMEN:
El reconocimiento automático de imágenes no es un problema algorítmico trivial. Afortunadamente, para tratar problemas cada vez más complejos en la visión automatizada por computadora, se puede utilizar el aprendizaje automatizado, específicamente, las redes neuronales convolucionales. Las redes neuronales convolucionales nos permiten satisfacer necesidades que tenemos como seres humanos, por ejemplo, entender y obtener información de imágenes médicas. Clasificar imágenes médicas no es fácil, principalmente, cuando las diferencias y características entre cada imagen no se pueden apreciar a simple vista.
El objetivo de la presente tesis fue utilizar redes neuronales convolucionales para clasificar tipos de cérvix, a partir de un conjunto de imágenes. La clasificación considera 3 tipos de cérvix, cada tipo de cérvix fue predefinido en la plataforma Kaggle, mismo lugar, en donde se proporciona el conjunto de imágenes. Los resultados obtenidos, dejan en claro que el análisis de imágenes, tanto para la visión humana, como para una red neuronal, es complejo, principalmente, cuando el conjunto de datos también lo es. Afortunadamente, el uso de redes neuronales en la transferencia de aprendizaje facilita la clasificación.
ABSTRACT:
Automatic image recognition is not a trivial algorithmic problem. Fortunately, if you want to solve increasingly complex problems, then you can use automatic recognition, specifically, convolutional neural networks. Convolutional neural networks, allow us to satisfy our human needs to understand our environment, for instance, to understand and to get information from medical images. Classifying medical images is not an easy task, mainly when the features of each image and the differences between each other can not be seen at a glance. The objective of this thesis is to use convolutional neural networks to classify types of cervix, from a set of images. We consider three types of cervix, each type of cervix was defined in the Kaggle platform, which is the same place where the set of images is provided. The results we obtained show that the analysis of images, both for human vision and for a neural network, is complex, mainly when the data set is complex. Fortunately, using neural networks and the concept of transfer learning makes the classification easy. | |
