Máquinas de Aprendizaje Extremo Multicapa

109 Pages·2016·3.24 MB·Spanish

ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN
UNIVERSIDAD POLITÉCNICA DE CARTAGENA
Proyecto Fin de Carrera
Máquinas de Aprendizaje Extremo Multicapa:
Estudio y Evaluación de Resultados en la
Segmentación Automática de Carótidas en

Imágenes Ecográficas

AUTOR: Adrián Sánchez Morales
DIRECTOR: José Luis Sancho Gómez
I
A mi familia

“Cada día sabemos más y entendemos menos”,
Albert Einstein

II
III
AGRADECIMIENTOS
Con estas líneas me gustaría agradecer, en primer lugar, a José Luis Sancho Gómez por su
paciencia y dedicación. Gracias por brindarme la oportunidad de dar un paso más, camino de
conseguir que aquello que me gusta se convierta algún día en mi profesión.
Quiero agradecer, especialmente, a Rosa María Menchón Lara por su entrega y amabilidad, y
por dedicar su valioso tiempo en el laboratorio a solucionar todas las dudas que hayan podido
surgir, por absurdas que parecieran.
Gracias a José García-bravo García, por haberse preocupado por mí durante tantos años. Con
él pisé por primera vez esta universidad y fue quién me ayudó a decidirme por esta carrera.
Agradecer a mi familia su apoyo incondicional, en especial a mis padres. Gracias por
enseñarme a afrontar la vida con una sonrisa y por no fallarme nunca.
Quiero hacer especial mención a mi novia Cristina y agradecerle que haya estado ahí, día tras
día, durante todos estos años de carrera, soportándome y dándome fuerzas en los buenos,
pero sobre todo en los malos momentos.
En general, gracias a todas aquellas personas que han confiado en mí.

IV
V
RESÚMEN
El aprendizaje automático es una rama de la inteligencia artificial, y se puede definir como el
conjunto de técnicas, métodos y sus implementaciones algorítmicas capaces de aprender y
mejorar su eficacia a través de la experiencia. En la mayoría de los casos se busca realizar ese
aprendizaje a partir de información no estructurada y sin supervisión humana. En las últimas
décadas, el uso de técnicas de aprendizaje automático en campos tan diversos como la
informática, la estadística, la robótica, la medicina, etc. se ha visto incrementado de manera
extraordinaria. En estas aplicaciones la necesidad de estructuras complejas es cada vez más
frecuente debido a la cantidad de datos que deben tratarse. De ahí el desarrollo de lo que se
llama Aprendizaje Profundo (Deep Learning).
Ha sido muy estudiado el hecho de que los Auto-Codificadores (Auto Encoders, AE) juegan un
papel fundamental en el aprendizaje no supervisado y en las arquitecturas de redes de
aprendizaje profundo. Este trabajo introduce los Auto-Codificadores basados en las Máquinas
de Aprendizaje Extremo (Extreme Learning Machines, ELM), que son capaces de aprender las
características de representación de los datos de entrada usando sus valores singulares, y que
son usados como base para la construcción de Máquinas de Aprendizaje Extremo Multicapa
(Multi Layer Extreme Learning Machines, ML-ELM).
A lo largo del trabajo se podrá comprobar cómo el funcionamiento de los auto-codificadores
mejora el de un método tradicionalmente usado como es el de Descomposición en Valores
Singulares (SVD). A su vez, se verá cómo las redes ML-ELM obtienen mejores resultados en
problemas de clasificación que las simples ELMs, trabajando con la base de datos MNIST.
Finalmente, se usará todo este conocimiento para el procesamiento de imágenes médicas con
el objetivo de medir el grosor íntima-media carotídeo y comprobar que todos los resultados
obtenidos anteriormente son consistentes en aplicaciones más complejas.

VI
VII
ABSTRACT
Machine learning is a subfield of artificial intelligence and it can be defined as the set of
techniques, methods and algorithms which are capable of learn and improve its efficiency
throughout experience. The aim is to learn from data without structure and, in most cases,
without human supervision. During the last decades, the use of machine learning techniques in
fields as wide as informatics, statistics, robotics, medicine, etc. have been increasing incredibly.
Due to the huge amount of data that must be treated, there has been an increase in the need
of architectures more complex for these applications. Hence, nowadays it is being developed
what is called Deep Learning.
It is known Auto Encoders play a fundamental role in unsupervised learning and in deep
architectures. This Final Project introduces Extreme Learning Machine based Auto Encoder
(ELM-AE), which learns feature representations using singular values and is used as the basic
building block for Multi-Layer Extreme Learning Machine (ML-ELM).
Throughout this work will be proved how the Auto Encoders performance improves the
classical method called Singular Value Decomposition (SVD). Then, will be shown ML-ELMs get
better results than a simple structure such as ELM in classification problems, for MNIST
dataset. Finally, all this knowledge will be used for the medical image processing in order to
measure the carotid intima-media thickness (IMT) and check all the results obtained above are
consistent in more complex applications.

VIII
IX