Clasificador de imagen médica con ResNet50
Programa en Matlab que usa una red ResNet50 para clasificar células afectadas o no.
Un proyecto de clasificación de imágenes en MATLAB usando ResNet50 para detectar si las células están afectadas o sanas.
Resumen del proyecto
Este proyecto se centro en el desarrollo de un clasificador de imagen médica usando transfer learning con ResNet50, una de las redes neuronales convolucionales preentrenadas más potentes disponibles. El objetivo era clasificar imágenes microscópicas de células en dos categorías: afectadas o no afectadas, a partir de patrones visuales.
Se desarrollo en MATLAB como parte de una iniciativa académica para explorar técnicas de deep learning en aplicaciones biomédicas.
Objetivos
- Aplicar deep learning a un problema real de clasificación médica.
- Usar transfer learning para ajustar un modelo ResNet50 preentrenado a una clasificación binaria.
- Entender los retos de trabajar con datasets médicos limitados.
Tecnologías utilizadas
- MATLAB Deep Learning Toolbox
- Modelo CNN preentrenado ResNet50
- Image Processing Toolbox (para preprocesado y aumento de datos)
- Dataset propio de imágenes de células etiquetadas como sanas o afectadas
Características principales
- Redimensionado y preprocesado de imágenes para la entrada de ResNet50.
- Aumento de datos para mejorar la generalización del modelo.
- Sustitución y reentrenamiento de las capas totalmente conectadas.
- Predicción en tiempo real sobre imágenes de prueba, con salida de precisión de clasificación.
Que aprendí
- Como implementar flujos de transfer learning en MATLAB.
- Técnicas para gestionar el desbalance de clases y datasets limitados.
- Evaluación mediante matrices de confusión y métricas de precisión.
- El potencial y las limitaciones de la IA en el diagnostico médico.
Reflexión final
Este proyecto me dio una experiencia muy valiosa en la aplicación de deep learning al análisis de imagen médica. Puso de relieve la importancia de la calidad de los datos, la interpretabilidad del modelo y la validación del rendimiento, especialmente cuando lo que esta en juego son decisiones clínicas.