Técnicas de aprendizaje profundo para datos espaciales ordinales y aplicaciones en imagen médica

• Autores: Javier Barbero Gómez
• Directores de la Tesis: César Hervás Martínez (dir. tes.) , Pedro Antonio Gutiérrez Peña (dir. tes.)
• Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2024
• Idioma: español
• Tribunal Calificador de la Tesis: Ezequiel López Rubio (presid.) , Nicolás Luís Fernández García (secret.) , Luca Romeo (voc.)
• Enlaces
  • Tesis en acceso abierto en: Helvia
• Resumen

  • 1. Introducción o motivación de la tesis:

    La tesis aborda la compleja interacción entre el aprendizaje profundo y la regresión ordinal, destacando la importancia y los desafíos de este campo, especialmente en aplicaciones médicas como el diagnóstico de imágenes. La regresión ordinal se ocupa de tareas donde las respuestas siguen un orden inherente [1], una situación común en el ámbito médico. La motivación detrás de esta investigación es doble: primero, desarrollar técnicas más efectivas para manejar tareas ordinales en aprendizaje profundo, y segundo, aplicar estas técnicas a problemas médicos reales para mejorar la precisión y la eficacia del diagnóstico.

    2.Contenido de la investigación:

    La tesis se estructura en tres capítulos principales, cada uno abordando diferentes aspectos de la regresión ordinal en el aprendizaje profundo:

    1. Desarrollo de Nuevas Arquitecturas CNN para Regresión Ordinal: Se introducen arquitecturas de redes neuronales convolucionales (CNN) diseñadas específicamente para regresión ordinal. El modelo de Descomposición Binaria Ordinal (OBD) se presenta junto con un esquema de asignación de etiquetas basado en Códigos de Salida de Corrección de Errores (ECOC) [3], demostrando un rendimiento superior en varias tareas, manteniendo al mismo tiempo un buen desempeño en métricas de clasificación tradicionales.

    2. Aplicación en Diagnóstico Médico Asistido por Computadora para la Enfermedad de Parkinson: Se extiende la arquitectura CNN a la diagnosis de Parkinson utilizando imágenes cerebrales tridimensionales [2]. Se introduce una arquitectura CNN 3D nativa y un algoritmo innovador de aumento de datos que explota información ordinal, mostrando mejoras significativas en la evaluación de la actividad dopaminérgica cerebral.

    3. Examinando el Proceso de Decisión de las CNN Ordinales: Se centra en la explicabilidad de los modelos CNN ordinales, un aspecto crucial a menudo pasado por alto [4]. Se introducen y validan dos nuevos métodos de explicación, GradOBD-CAM y OIBA, diseñados específicamente para tareas de regresión ordinal, demostrando la superioridad de GradOBD-CAM sobre métodos existentes y ofreciendo soluciones robustas para explicar el proceso de toma de decisiones de los modelos CNN ordinales.

    3.Conclusión:

    La tesis presenta una exploración exhaustiva de las tareas de regresión ordinal dentro del paradigma del aprendizaje profundo. Se destaca la importancia de desarrollar metodologías adaptadas y de abordar los desafíos de la interpretabilidad. Las contribuciones incluyen el modelo OBD para conjuntos de datos 3D, que muestra mejoras consistentes en el rendimiento, y los métodos de explicación GradOBD-CAM y OIBA, que aportan significativamente a la comprensión del proceso de decisión de las CNN ordinales.

    El éxito en la adaptación de metodologías ordinales a diversos conjuntos de datos y tareas subraya la versatilidad y generalización de los enfoques propuestos. La investigación sugiere vías futuras para mejorar el manejo de desequilibrios de clases y profundizar en los métodos de interpretabilidad, extendiendo potencialmente su aplicación a otros modelos de regresión ordinal.

    En resumen, la tesis contribuye tanto a la comprensión teórica de la regresión ordinal en el aprendizaje profundo como a proporcionar soluciones prácticas y metodologías aplicables en diferentes dominios. Las mejoras logradas en rendimiento e interpretabilidad allanan el camino para aplicaciones más robustas y transparentes del aprendizaje profundo en escenarios de regresión ordinal.

    4. Bibliografía:

    [1] P. A. Gutiérrez, M. Pérez-Ortiz, J. Sánchez-Monedero, F. Fernández-Navarro, y C. Hervás-Martínez, «Ordinal Regression Methods: Survey and Experimental Study», IEEE Transactions on Knowledge and Data Engineering, vol. 28, n.º 1, pp. 127-146, 2016, doi: 10.1109/TKDE.2015.2457911.

    [2] J. Barbero-Gómez, P.-A. Gutiérrez, V.-M. Vargas, J.-A. Vallejo-Casas, y C. Hervás-Martínez, «An ordinal CNN approach for the assessment of neurological damage in Parkinson¿s disease patients», Expert Systems with Applications, vol. 182, p. 115271, nov. 2021, doi: 10.1016/j.eswa.2021.115271.

    [3] J. Barbero-Gómez, P. A. Gutiérrez, y C. Hervás-Martínez, «Error-Correcting Output Codes in the Framework of Deep Ordinal Classification», Neural Process Lett, may 2022, doi: 10.1007/s11063-022-10824-7.

    [4] J. Barbero-Gómez, R. Cruz, J. S. Cardoso, P. A. Gutiérrez, y C. Hervás-Martínez, «Evaluating the Performance of Explanation Methods on Ordinal Regression CNN Models», presentado en International Work-Conference on Artificial Neural Networks (IWANN 2023), Ponta Delgada, Portugal, jun. 2023.