A framework for interactive training of automatic image analysis models based on learned image representations, active learning, and visualization techniques

Abstract

Abstract. In this thesis work, the problem of applying active learning for a label efficient training of deep learning models is addressed. Firstly, in chapter one, the problem is introduced as well as the objectives and results of this thesis work. In chapter 2, a state of the art of active learning and deep learning models is presented with a particular emphasis on medical scenarios. In chapter three in active learning approach based on the expected gradient length is introduced for deep convolutional neural networks for applying in medical problems where data is scarce and train deep models could be unfeasible due to the lack of annotated samples. In chapter four an implemented framework for interactively training of deep learning models based on the previous discused algorithms is presented, where the active learning techniques improve the random selection strategy to classify between healthy eyes patches and patches that contain an early stage of diabetic retinopathy. Finally, in the last chapter, the conclusions of this thesis work are discussed as well as some promising lines of work for further research.

En ésta tesis, se estudia el problema del entrenamiento eficiente de modelos de aprendizaje automático basados en redes neuronales profundas para el caso en el que se cuenta con pocos ejemplos anotados para su entrenamiento. Para esto se presentara una estrategia de aprendizaje activo la cual hace mas eficiente el aprendizaje de una representación profunda utilizando los ejemplos que mas cambios aportan al modelo. En el primer capítulo, se introduce el problema así como los objetivos y resultados de este trabajo de tesis. Una revisión de los trabajos recientes en el área de aprendizaje activo y modelos de aprendizaje profundo, con énfasis en escenarios médicos se presenta en el capítulo 2. En el capítulo 3, se presenta el enfoque propuesto de aprendizaje activo para modelos de aprendizaje profundos basado en la longitud esperada del gradiente, el cual resulta útil para la solución de problemas de imágenes médicas donde no se cuenta con la suficiente cantidad de ejemplos anotados. En el capítulo 4, un marco experimental es implementado para el entrenamiento de modelos basados en redes neuronales profundas, se muestra la aplicación de esta estrategía para clasificar parches de imágenes de fondo de ojo con pacientes sanos y en una etapa temprana de retinopatía diabética. Se muestra que el algoritmo propuesto mejora el desempeño del modelo comparandolo con la estrategía clásica de selección aleatoria de ejemplos. Finalmente en el último capítulo se discuten las concluciones de este trabajo y también se esbozan algunas lineas de trabajo prometedoras para el futuro.