Predicción de edad ósea con red basada en VGG-16 y Transfer Learning

• Autor: Quispe Carbonel, Alvaro Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad de Lima
• Repositorio: ULIMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ulima.edu.pe:20.500.12724/14110
• Enlace del recurso: https://hdl.handle.net/20.500.12724/14110
• Nivel de acceso: acceso abierto
• Materia: Diagnóstico; Neural networks (Computer science); Diagnosis; Bones; Forecasting; Genetic disorders; Redes neuronales (Informática); Huesos; Prospectiva; Enfermedades hereditarias; https://purl.org/pe-repo/ocde/ford#2.02.04

Para el diagnósticó de enfermedades hereditarias y desórdenes endocrinos en niños y jóvenes suele utilizarse el calculó de la edad ósea a través de una evaluación visual de una radiógrafía de la muñeca y de la mano. La presente investigación se ha centrado en el desarrollo de un modelo de Deep Learning para la predicción de la edad ósea utilizandó 12611 imágenes radiólógicas de niñós y jóvenes de 0 a 18 años de la Sóciedad de Radiólógía de Norte América (RSNA). Para lograrlo se realizaron tres procesos: preprocesamiento mediante una red neuronal convolucional U-Net para la generación de máscaras que permitan eliminar el fondo de las imágenes y su posterior ecualización; el desarrollo de una de red neuronal convolucional basada en VGG-16, transfer learning, cuyós pesós fuerón óbtenidós de ImageNet y un mecanismó de atención con la que se entrenaron 6 modelos con imágenes preprocesadas y óriginales; y una cómparación entre la predicción de 230 imágenes locales, con la edad ósea determinada por médicos para dicho subconjuntó. Con la validación del Dataset de la RSNA, se obtuvo un MAE en meses promedio de 9.4 para el modelo propuesto de hómbres. Por el lado de la validación local, se alcanzó un MAE en meses promedio de 13.7 en hombres contando todos los grups de edad y se alcanzó un MAE en meses de 12.4 en mujeres de 2 a 13 años.