Transfer Learning para Detecção de Cromossomos

Um breve estudo da técnica de Transfer Learning para o problema de Detecção de Cromossomos.

Transcript

1. Transfer Learning para detecção de cromossomos Maria Fernanda S. Andrade
2. 2 Sobre mim :) ◂ @NaanAdr ◂ fsandrade25@gmail.com
3. 3 Agradecimentos
4. Um pouco sobre o problema….
7. 7 Solução esperada
8. 8 Problemas encontrados
10. “ Antes de tudo, precisamos fazer um levantamento do que vem sendo feito no estado da arte. 10
11. BioImLab o DataSet mais utilizado nesse problema
12. Laboratory of Biomedical Imaging (BioImLab) 12
13. CRCN vs BioImLab 13 ◂ 74 imagens ◂ Sem rotulação ◂ Método de Coloração ◂ 114 imagens ◂ Com rotulação ◂ Fluorescencia com o bandeamento Q.
14. Base do CRCN-NE
15. Base do CRCN-NE ◂ 74 imagens de metáfases, adquiridas no Centro Regional de Ciências Nucleares do Nordeste (CRCN-NE) ◂ Rotulações realizadas por especialistas 15
16. Imagens Segmentadas ◂ Imagens segmentadas, resultantes do método adaptativo ◂ Outros métodos foram testados 16
17. Regiões de interesse ◂ Marcação das regiões de Cromossomo e Não-Cromossomo com a ferramenta LabelMe; ◂ Captura de características em cada uma dessas regiões. 17
18. 18 Base CRCN-NE
19. Metodologia
20. 20 Metodologia
21. Entradas 21 ◂ 60% (48 imagens) para treinamento, 20% (15 imagens) para teste e 20% (11 imagens) para validação;
22. Entradas 22 ◂ Imagens coloridas ou segmentadas; ◂ Recortes sendo do tipo cromossomos ou não cromossomos.
23. Pré-processamento 23
24. Pré-processamento 24 ◂ Recortes com tamanhos varíados; ◂ Entrada das CNN precisam ter um tamanho mínimo e pré-definido;
25. Pré-processamento 25
26. Modelos treinados ◂ VGG16 ◂ VGG19 ◂ Xception ◂ MobileNet ◂ Inception_v3 ◂ Sharma (artigo das interwebs) 26
27. O que vamos fazer com todos esses modelos?
28. Quais os principais problemas? ◂ Uma base relativamente pequena para utilizar CNN; ◂ Elevado tempo exigido para o treinamento; ◂ Tentativa falha de desenvolvimento de modelos; ◂ Poucos modelos criados (e descritos detalhadamente) para o problema de cromossomos. 28
29. Transfer Learning
30. “ 30 Transfer learning and domain adaptation refer to the situation where what has been learned in one setting … is exploited to improve generalization in another setting. Page 526, Deep Learning, 2016
32. 32 Regrinhas para utilizar o TL
33. 33 Regrinhas para utilizar o TL
34. 34 Regrinhas para utilizar o TL
35. 35 Regrinhas para utilizar o TL
36. 36 Regrinhas para utilizar o TL
37. 37 Os modelos utilizados VGG Inception MobileNet Xception ◂ Treinados na ImageNet ◂ 14 milhões de imagens e 20000 classes
38. 38 Lembra da etapa de normalização das entradas? VGG 64x64 Inception 192x192 MobileNet 128x128 Xception 128x128
39. Resultados
40. Resultados 40
41. Resultados 41
42. Resultados 42
43. Resultados 43
44. Resultados 44 FT = congela apenas a primeira camada e treina as seguintes; TL = treina apenas as últimas camadas totalmente conectadas. ◂ Utilizar regiões segmentadas teve melhor desempenho; ◂ Arquiteturas baseadas em VGG tiveram resultados similares;
45. Conclusão
46. Conclusão ◂ Utilizar as imagens segmentadas, trouxeram melhores resultados, comparado com as imagens RGB; ◂ A qualidade da imagem segmentada impacta o resultado final; ◂ O tamanho utilizado para os recortes, afetam drasticamente a acurácia; ◂ O modelo VGG 16 com transfer learning do tipo FT, obteve os melhores resultados com 93,19% de acurácia. 46
47. Conclusão Transfer Learning permitiu utilizar Deep Learning sem precisar de uma base com milhões de amostras!!! 47
48. 48 Obrigada! Dúvidas? ◂ @NaanAdr ◂ fsandrade25@gmail.com